RoGA：通过鲁棒梯度对齐实现可泛化的深度伪造检测
计算机视觉与模式识别
2025-05-28 v1 人工智能
摘要
深度伪造检测领域泛化的最新进展引起了广泛关注，以往的方法通常引入额外模块以防止对领域特定模式的过拟合。然而，这种正则化可能会阻碍经验风险最小化（ERM）目标的优化，最终降低模型性能。本文中，我们提出了一种新颖的学习目标，该目标将泛化梯度更新与ERM梯度更新对齐。其关键创新在于对模型参数施加扰动，对齐各领域间的上升点，从而专门增强深度伪造检测模型对领域偏移的鲁棒性。该方法在不引入额外正则化的情况下，有效地保留了领域不变特征，同时管理了领域特定特征。在多个具有挑战性的深度伪造检测数据集上的实验结果表明，我们的梯度对齐策略优于最先进的领域泛化技术，证实了我们方法的有效性。代码可在 https://github.com/Lynn0925/RoGA 获取。
引用
@article{arxiv.2505.20653,
title = {RoGA: Towards Generalizable Deepfake Detection through Robust Gradient Alignment},
author = {Lingyu Qiu and Ke Jiang and Xiaoyang Tan},
journal= {arXiv preprint arXiv:2505.20653},
year = {2025}
}
备注
Accepted to ICME2025