通过误导学习实现冗余语义环境填充以提升深度伪造检测的公平性

检测由深度伪造技术生成的伪造人脸是维护数字通信信任和保护个体的关键。然而，当前检测器常常同时过度拟合特定的伪造指纹和特定的人口学属性。严重忽视后者问题导致公平性差：来自某些人口学群体（如不同性别或族裔）的人脸检测起来更加困难。为此，我们提出一种新颖策略，称为误导学习（misleading-learning），通过在潜在空间中大量填充冗余环境来实现。该方法使检测器暴露于丰富且均衡的高层次人口学信息，从而减轻人口学偏见，同时保持高水平的检测性能。我们在公平性、域内检测、跨域泛化和鲁棒性方面进行了广泛评估。实验结果表明，我们的框架在公平性和泛化性方面优于当前最先进的方法。