重新审视深度伪造检测：时序持续学习与泛化的极限
机器学习
2025-09-11 v1 人工智能
计算机视觉与模式识别
图形学
摘要
深度伪造生成技术的快速演进对检测系统构成了关键挑战，因为非持续学习方法要求频繁且昂贵的重新训练。我们将深度伪造检测（DFD）重新框定为持续学习（CL）问题，提出了一种高效框架，能够增量式地适应新兴的视觉操纵技术，同时保留对过去生成器的知识。我们的框架与先前依赖不真实模拟序列的方法不同，在7年的扩展时期内模拟了深度伪造技术在现实世界中的时序演进。同时，我们的框架基于轻量级视觉骨干网络，以允许DFD系统的实时性能。此外，我们贡献了两个新指标：持续AUC（C-AUC）用于历史性能，前向迁移AUC（FWT-AUC）用于未来泛化。通过广泛的实验（超过600次模拟），我们经验性地证明，虽然高效适应（比完整重新训练快155倍）和历史知识的稳健保留是可能的，但在没有额外训练的情况下，当前方法对未来生成器的泛化仍然接近随机（FWT-AUC ≈ 0.5），这是由于每个现有生成器所特有的独特印记。这些观察构成了我们新提出的非通用深度伪造分布假说的基础。代码将在录用后发布。
引用
@article{arxiv.2509.07993,
title = {Revisiting Deepfake Detection: Chronological Continual Learning and the Limits of Generalization},
author = {Federico Fontana and Anxhelo Diko and Romeo Lanzino and Marco Raoul Marini and Bachir Kaddar and Gian Luca Foresti and Luigi Cinque},
journal= {arXiv preprint arXiv:2509.07993},
year = {2025}
}