减少对欺骗性伪影的关注：面向在线社交网络的压缩深度伪造的稳健检测
计算机视觉与模式识别
2025-06-26 v1 人工智能
机器学习
多媒体
摘要
随着深度学习，尤其是生成对抗网络（GANs）和扩散模型（DMs）的快速发展，AI生成的图像（即“深度伪造”）几乎无法与真实图像区分。这些图像在在线社交网络（OSNs）中广泛传播，引发滥用担忧。现有深度伪造检测方法忽视了OSNs中引入的“块效应”，这些效应遮蔽了深度伪造的伪影，主要关注原始图像，鲜有涉及真实场景中的压缩图像。为此，我们提出PLADA（Pay Less Attention to Deceptive Artifacts），一个新型框架，旨在解决缺乏配对数据以及压缩图像无效使用的挑战。PLADA由两个核心模块组成：块效应擦除器（B2E），使用双阶段注意力机制处理块效应；开放数据聚合（ODA），处理配对和非配对数据以提高检测效果。广泛的26个数据集实验表明，PLADA在深度伪造检测中实现了卓越的平衡，优于OSNs上的SOTA方法，即便仅限于少量配对数据和压缩图像。更重要的是，本工作将“块效应”作为深度伪造检测的关键因素，为开放世界场景提供了稳健解决方案。我们的代码已公开于https://github.com/ManyiLee/PLADA。
引用
@article{arxiv.2506.20548,
title = {Pay Less Attention to Deceptive Artifacts: Robust Detection of Compressed Deepfakes on Online Social Networks},
author = {Manyi Li and Renshuai Tao and Yufan Liu and Chuangchuang Tan and Haotong Qin and Bing Li and Yunchao Wei and Yao Zhao},
journal= {arXiv preprint arXiv:2506.20548},
year = {2025}
}
备注
20 pages, 10 figures