对抗样本的自监督学习：面向深度伪造检测的优良泛化性
计算机视觉与模式识别
2022-04-04 v3
摘要
近期深度伪造检测的研究在训练与测试人脸伪造均来自同一数据集时取得了有前景的结果。然而，当试图将检测器泛化到训练数据集中未见方法生成的伪造时，问题仍具挑战性。本工作从一简单原则出发解决可泛化深度伪造检测：可泛化表示应对多种伪造类型敏感。遵循该原则，我们提出通过一组伪造配置合成增强伪造来丰富伪造的“多样性”，并通过强制模型预测伪造配置来强化对伪造的“敏感性”。为有效探索庞大的伪造增强空间，我们进一步提出使用对抗训练策略动态合成对当前模型最具挑战性的伪造。通过大量实验，我们表明所提策略出奇有效（见图 1），并能取得优于当前最先进方法的性能。代码见 \url{https://github.com/liangchen527/SLADD}。
引用
@article{arxiv.2203.12208,
title = {Self-supervised Learning of Adversarial Example: Towards Good Generalizations for Deepfake Detection},
author = {Liang Chen and Yong Zhang and Yibing Song and Lingqiao Liu and Jue Wang},
journal= {arXiv preprint arXiv:2203.12208},
year = {2022}
}
备注
Accepted by CVPR 2022 (Oral presentation)