面向稳健深度伪造检测的实用操作模型
计算机视觉与模式识别
2025-06-06 v1
摘要
现代深度伪造检测模型即使在具有挑战性的跨数据集任务上也能取得强烈的检测性能。然而，在非理想条件下的检测性能仍然非常不稳定，这限制了在某些基准数据集上的成功，使得检测容易被规避。鼓励图像超分辨率领域采用更贴近现实退化模型的趋势，我们开发了一种实用操作模型（PMM），涵盖更广泛的伪造可能性集合。我们通过使用泊松混合、更多样化的掩码、生成器人工痕迹以及干扰项来扩展伪造数据的空间。此外，通过添加强烈退化到训练图像上来提高检测器的普适性和稳健性。我们展示了这些变化不仅显著增强了模型对常见图像退化的鲁棒性，还提高了在标准基准数据集上的性能。具体而言，我们在DFDC和DFDCP数据集上分别比最先进的LAA骨架网络提高了3.51%和6.21%的AUC。此外，我们还指出了以往检测器缺乏鲁棒性的现象，以及我们在这方面的改进。代码可在https://github.com/BenediktHopf/PMM找到。
引用
@article{arxiv.2506.05119,
title = {Practical Manipulation Model for Robust Deepfake Detection},
author = {Benedikt Hopf and Radu Timofte},
journal= {arXiv preprint arXiv:2506.05119},
year = {2025}
}