SpecXNet：用于鲁棒深度伪造检测的双域卷积网络
计算机视觉与模式识别
2025-09-29 v1
摘要
GAN 和扩散模型生成的内容的逼真度不断提高，使得深度伪造检测变得更加具有挑战性。现有方法通常仅关注空间或频率域特征，限制了其对未知操纵的泛化能力。我们提出了谱交叉注意力网络（SpecXNet），一种用于鲁棒深度伪造检测的双域体系结构。核心"双域特征耦合器（DDFC）"将特征分解为用于捕获纹理级别异常的局部空间分支和采用快速傅里叶变换来建模周期性不一致性的全局频谱分支。这种双域表述使SpecXNet能够同时利用局部细节和全局结构一致性，这些都是区分真实图像与人造图像的关键因素。我们还引入了"双傅里叶注意力（DFA）"模块，用于以内容感知的方式动态融合空间和频谱特征。基于修改后的XceptionNet backbone，我们将 DDFC 和 DFA 模块嵌入到可分离卷积块中。大量实验表明，SpecXNet 在多个深度伪造基准数据集上实现了最高准确率，尤其是在跨数据集和未知操纵情景下，同时保持实时可行性。我们的结果突显了统一空间-频谱学习对于鲁棒且可泛化的深度伪造检测的有效性。为确保可重复性，我们在 GitHub 上发布了完整代码。
引用
@article{arxiv.2509.22070,
title = {SpecXNet: A Dual-Domain Convolutional Network for Robust Deepfake Detection},
author = {Inzamamul Alam and Md Tanvir Islam and Simon S. Woo},
journal= {arXiv preprint arXiv:2509.22070},
year = {2025}
}
备注
ACM MM Accepted