针对不稳定人脸序列的鲁棒 DeepFake 检测：基于无序表示的自适应稀疏图嵌入与显式拉普拉斯谱先验
计算机视觉与模式识别
2025-12-09 v1
摘要
随着 DeepFake 生成变得越来越逼真且鲁棒于检测，确保视频内容的真实性仍然具有挑战性。大多数现有检测器隐含地假设人脸序列在时间上是一致的且干净的，但这一假设在现实场景中很少成立——压缩伪影、遮挡和对抗攻击会破坏人脸检测，并经常导致无效或误检的人脸。为应对这些挑战，我们提出了一种拉普拉斯正则化图卷积网络（LR-GCN），能够从噪声或无序的人脸序列中鲁棒地检测 DeepFake，且仅使用干净的人脸数据进行训练。我们的方法构建了一种无序时序图嵌入（OF-TGE），根据语义亲和性将逐帧 CNN 特征组织成自适应稀疏图。与受严格时间连续性约束的传统方法不同，OF-TGE 捕捉帧间的内在特征一致性，使其能够抵抗打乱、缺失或严重损坏的输入。我们进一步在图结构和节点特征两个层面施加双重稀疏机制以抑制无效人脸的影响。关键的是，我们引入了一种显式图拉普拉斯谱先验，在图谱域中充当高通算子，突出结构异常和伪造伪影，随后由低通 GCN 聚合加以整合。这种顺序设计有效地实现了任务驱动的谱带通机制，在抑制背景信息和随机噪声的同时保留操纵线索。在 FF++、Celeb-DFv2 和 DFDC 上的大量实验表明，LR-GCN 达到了最先进的性能，并在严重全局和局部干扰（包括缺失人脸、遮挡和对抗性扰动的人脸检测）下显著提升了鲁棒性。
引用
@article{arxiv.2512.07498,
title = {Towards Robust DeepFake Detection under Unstable Face Sequences: Adaptive Sparse Graph Embedding with Order-Free Representation and Explicit Laplacian Spectral Prior},
author = {Chih-Chung Hsu and Shao-Ning Chen and Chia-Ming Lee and Yi-Fang Wang and Yi-Shiuan Chou},
journal= {arXiv preprint arXiv:2512.07498},
year = {2025}
}
备注
16 pages (including appendix)