面向通用深度伪造检测的动态课程学习

大多数先前的深度伪造检测方法都集中注意力通过端到端训练来区分人工痕迹。然而，学习到的网络常常因忽视数据难度而高效地挖掘通用人脸伪造信息。本文提出通过课程学习范式将样本难度引入深度伪造检测器的训练中。具体而言，我们提出了一种简单而有效的新策略，称为动态人脸法医课程（Dynamic Facial Forensic Curriculum, DFFC），使模型在训练过程中逐渐聚焦于难样本。首先，我们提出动态法医硬度（Dynamic Forensic Hardness, DFH），将人脸质量得分和瞬时实例损失融合，以动态衡量训练中的样本硬度。进而，我们基于DFH提出了一个 pacing 函数，控制训练过程中数据子集从易到难的演进。综合实验表明，DFFC 通过即插即用的方式，能提高各种类型端到端深度伪造检测器在内部和跨数据集上的性能。这表明DFFC能够通过有效利用难样本的信息，帮助深度伪造检测器学习通用伪造判别特征。