只训练一次：用于人脸真实性检测的不确定性感知单类学习
摘要
生成范式的快速演进使得创建高度逼真的图像成为可能，这加剧了身份欺诈和虚假信息传播的风险。大多数现有方法将人脸伪造检测构建为全监督二分类问题。因此，当这些模型被要求检测来自先前未见过的生成范式的伪造时，通常表现出显著的性能衰减。此外，这些方法仅关注 DeepFakes 或全合成人脸，从而未能为通用人脸伪造检测提供一个通用框架。在本文中，我们通过引入 FADNet（Face Authenticity Detector Net）来应对这一挑战，这是一个将人脸伪造检测重新构建为单类分类（OCC）任务的框架。通过仅在真实人脸数据上进行训练以捕获其内在表示，FADNet 将任何特征嵌入与学习到的真实人脸分布显著偏离的图像标记为伪造。该框架结合了证据深度学习（EDL）以量化预测不确定性，并利用即插即用的伪伪造图像生成器（PFIG）来收紧真实数据周围的决策边界。在 DF40 和 ASFD 基准上的广泛实验评估表明，FADNet 实现了卓越的性能和泛化能力。具体而言，FADNet 大幅超越了现有的最先进（SOTA）方法，获得了 96.63\% 的显著平均准确率和 98.83\% 的平均精确率。
引用
@article{arxiv.2605.10040,
title = {Only Train Once: Uncertainty-Aware One-Class Learning for Face Authenticity Detection},
author = {Qingchao Jiang and Zhenxuan Hou and Zhiying Zhu and Zhenxing Qian and Xinpeng Zhang and Zaiwang Gu},
journal= {arXiv preprint arXiv:2605.10040},
year = {2026}
}
备注
The sole reason for our withdrawal application is that we have identified critical areas in our manuscript that require substantial revision and improvement to meet rigorous scientific standards. Our only intention is to retract the current draft to revise and enhance it, with no plans to replace it with a different version or redirect readers to other sources at this time