面向开放世界的深度伪造检测：通过无监督域适应实现通用特征提取
计算机视觉与模式识别
2025-05-20 v1 人工智能
摘要
随着生成式人工智能的发展，新的伪造方法正快速涌现。社交平台上充斥着大量未标记的合成数据和真实数据，使得区分真实与伪造的任务日益具有挑战性。由于缺乏标签，现有的监督式检测方法难以有效解决未知深度伪造方法的检测问题。此外，在开放世界场景中，未标记数据远超标记数据。因此，我们定义了新的深度伪造检测泛化任务，聚焦于如何基于有限的标记数据高效检测大量未标记数据，以模拟开放世界情景。为解决上述问题，我们提出了一种新型开放世界深度伪造检测泛化性提升训练策略（OWG-DS），以提高现有方法的泛化能力。我们的做法旨在将少量标记源域数据的深度伪造检测知识迁移到大规模未标记目标域数据。具体而言，我们引入域距离优化（DDO）模块，通过优化跨域和内域距离来对齐不同域的特征。此外，采用基于相似性的类边界分离（SCBS）模块来增强相似样本的聚类，以确保更清晰的类边界，同时采用对抗训练机制来学习域无关特征。大量实验表明，提出的深度伪造检测泛化性提升训练策略在跨方法和跨数据集情景中表现出色，显著提升了模型的泛化能力。
引用
@article{arxiv.2505.12339,
title = {Towards Open-world Generalized Deepfake Detection: General Feature Extraction via Unsupervised Domain Adaptation},
author = {Midou Guo and Qilin Yin and Wei Lu and Xiangyang Luo},
journal= {arXiv preprint arXiv:2505.12339},
year = {2025}
}