面向不平衡数据的鲁棒 AI 生成人脸检测
计算机视觉与模式识别
2025-05-06 v1
摘要
利用变分自编码器和生成对抗网络等先进 AI 技术创建的深度伪造，已从研究和娱乐应用演变为恶意活动的工具，对数字信任构成重大威胁。当前的深度伪造检测技术已从专注于局部伪影的基于 CNN 的方法，发展到使用视觉 Transformer 和 CLIP 等多模态模型的更先进方法，这些方法能捕获全局异常并改善跨域泛化能力。尽管近期取得了进展，最先进的深度伪造检测器在应对新兴生成模型带来的分布偏移，以及处理深度伪造数据集中真实样本与伪造样本之间的严重类别不平衡方面，仍面临重大挑战，这限制了它们的鲁棒性和检测精度。为应对这些挑战，我们提出一个结合了动态损失重加权和基于排序的优化的框架，该框架在不平衡数据集条件下实现了优越的泛化能力和性能。代码可在 https://github.com/Purdue-M2/SP_CUP 获取。
引用
@article{arxiv.2505.02182,
title = {Robust AI-Generated Face Detection with Imbalanced Data},
author = {Yamini Sri Krubha and Aryana Hou and Braden Vester and Web Walker and Xin Wang and Li Lin and Shu Hu},
journal= {arXiv preprint arXiv:2505.02182},
year = {2025}
}