最大化边缘以实现稳健的剪接检测

尽管近期在剪接检测方面取得了进展，但基于深度学习的 Forensic 工具在实际部署时仍难以适应，因其对训练条件极其敏感。即使对评估图像施加轻微后处理，也会显著降低检测器的性能，这引发对其在实际环境中可靠性的广泛质疑。本文表明，尽管相同的深度架构在训练后获得的权重可能在准确率上相似，但对未见后处理的反应却截然不同。这种差异源于训练过程中诱导的潜在空间分布，影响样本内部的分离方式。我们的实验揭示了潜在边缘分布与检测器对后处理图像泛化能力之间的强相关性。基于此，我们提出一种实用策略以构建更稳健的检测器：在不同条件下训练多个模型变体，并选择能够最大化潜在边缘的那个模型。