MC-LCR：基于局部关联表示的多模态对比分类用于高效人脸伪造检测

随着面部操控技术的显著发展伴随严重安全隐患，人脸伪造检测已成为近期研究热点。多数现有检测方法在全局监督下训练二分类器以判断真伪。然而，先进操控仅进行小规模篡改，对全面捕捉细微且局部的伪造痕迹提出挑战，尤其在高压缩设置与跨数据集场景下。为应对此类局限，我们提出一种名为基于局部关联表示的多模态对比分类(MC-LCR)的新框架，用于高效人脸伪造检测。我们的MC-LCR旨在从空间与频域两方面放大真实与伪造人脸间的隐式局部差异，而非特定表观特征。具体而言，我们设计了浅层风格表示块以度量浅层特征图的成对相关性，其编码局部风格信息以提取空间中更具判别性的特征。此外，我们作出关键观察：细微伪造痕迹可在块级相位与幅度谱中进一步暴露并呈现不同线索。根据幅度与相位信息的互补性，我们开发了块级幅度与相位双注意力模块以捕捉频域中彼此局部关联的不一致性。除上述两模块外，我们进一步引入有监督对比损失与交叉熵损失的协作，助网络学习更具判别性与泛化性的表示。通过大量实验与全面研究，我们取得最先进性能并证明了方法的鲁棒性与泛化性。