单次学习下的 GAN 生成伪造人脸检测

随着生成模型日益强大，伪造人脸检测成为智能系统面临的一项重大挑战。随着伪造人脸质量的提升，由于相应训练数据被视为过时，训练好的模型在检测新型伪造人脸时变得越来越低效。在此情形下，鲁棒的单次学习（One-Shot learning）方法更能契合可变化训练数据的需求。本文提出一种通用的单次 GAN 生成伪造人脸检测方法，可用于差异显著的异常检测领域。该方法基于通过场景理解模型从人脸中提取上下文无关物体。为此，我们使用最先进的场景理解与目标检测方法作为预处理工具，以检测人脸中的异常物体。其次，我们根据所有训练数据中检测到的上下文无关物体构建词袋。如此，我们将每幅图像转换为一个稀疏向量，其中每个特征表示图像中每个被检测物体的置信度分数。我们的实验表明，我们能够根据上下文无关特征区分伪造人脸与真实人脸。这意味着，当使用场景理解与目标检测模型进行分析时，在伪造人脸与真实人脸中检测到的物体集合不同。我们证明，基于在 Style-GAN 生成的伪造人脸上的实验，所提方法优于以往方法。