基于置信度感知非对称学习的开放世界深度伪造归因
计算机视觉与模式识别
2025-12-29 v2
摘要
合成面部图像的扩散加剧了对鲁棒的开放世界深度伪造归因（OW-DFA）的需求，即旨�使用标记数据对已知类型进行归因，同时使用包含已知和新型类型混合物的未标记数据进行归因。然而，现有的 OW-DFA 方法面临两个关键限制：1）置信度偏斜导致对新型伪造样本的伪标签不可靠，从而导致训练偏差。2）假设未知伪造类型的数量是已知的*先验*。为解决这些挑战，我们提出了置信度感知非对称学习（CAL）框架，通过在已知和新型伪造类型之间自适应平衡模型置信度。CAL 主要由两个组件组成：置信度感知一致性正则化（CCR）和非对称置信度强化（ACR）。CCR 通过基于归一化置信度动态缩放样本损失来缓解伪标签偏差，逐渐将训练焦点从高置信度样本转向低置信度样本。ACR 通过在高置信度样本上进行选择性学习来分别校准已知和新型类别的置信度，由其置信度差异指导。此外，我们引入了动态原型修剪（DPP）策略，自动以粗到细的方式估计新型伪造类型的数量，无需不切实际的先验假设，从而增强了方法在现实世界 OW-DFA 场景中的可扩展性。在标准 OW-DFA 基准及其新扩展基准（包含先进操纵）上的大量实验表明，CAL 在已知和新型伪造归因方面均优于先前方法，实现了双方均达到新的状态-of-the-art 性能。
引用
@article{arxiv.2512.12667,
title = {Open-World Deepfake Attribution via Confidence-Aware Asymmetric Learning},
author = {Haiyang Zheng and Nan Pu and Wenjing Li and Teng Long and Nicu Sebe and Zhun Zhong},
journal= {arXiv preprint arXiv:2512.12667},
year = {2025}
}
备注
Accepted by AAAI2026