基于细粒度隐写领域提升的隐私面部伪造检测框架 StegaFFD

大多数现有人脸伪造检测 (FFD) 模型假设可访问原始人脸图像。实际情况下，在客户端-服务器框架下，私人 facial 数据在传输期间可能被窃听，或被不可信服务器泄露。之前的隐私保护方法，如匿名化、加密或失真，部分缓解了泄露，但常导致严重的语义失真，使图像看起来明显受保护，从而引发攻击者的警惕，演变为一场猫鼠游戏。此外，这些方法严重扰动图像内容，引入的降解或伪影可能混淆 FFD 模型，这些模型依赖极其细微的伪造痕迹。灵感来源于图像隐写术的进展，能够实现高保真隐藏与恢复，我们提出基于隐写术的人脸伪造检测框架 (StegaFFD)，在不引发怀疑的情况下保护隐私。StegaFFD 将人脸图像隐藏于自然覆盖图像中，并直接在隐写域进行伪造检测。然而，隐藏的伪造特征极其细微，受覆盖语义干扰，给方法带来显著挑战。为此，我们提出低频感知分解 (LFAD) 和空间-频率差分注意力 (SFDA)，抑制低频覆盖语义干扰，增强隐藏人脸特征感知。进一步引入隐写域对齐 (SDA)，将隐藏人脸的表示与原始人脸的表示对齐，增强模型在隐写域感知细微人脸线索的能力。广泛实验在七个 FFD 数据集上表明，StegaFFD 实现了强大的不可察觉性，避免引发攻击者警惕，较现有人脸隐私保护方法更好地保留了 FFD 准确性。