面向可持续通用深度伪造检测的频域掩码技术

通用深度伪造检测旨在识别跨广泛生成模型的 AI 生成图像，包括未出现的模型。这需要对新型未见深度伪造具备鲁棒的泛化能力，而这些深度伪造经常出现，同时最小化计算开销以实现大规模深度伪造筛查，这在绿色 AI 时代是一个关键目标。本文探索了频域掩码作为深度伪造检测器的训练策略。不同于依赖空间特征或大规模预训练模型的传统方法，我们的方法引入随机掩码和几何变换，聚焦于频域掩码 due to its superior generalization properties。我们表明，频域掩码不仅提高了跨多样生成器的检测准确率，还在显著模型修剪下保持性能，提供了一个可扩展且资源考虑的解决方案。我们的方法在 GAN 和扩散生成图像数据集上实现了最先进的泛化，并在结构化修剪下表现出一致的鲁棒性。这些结果凸显了基于频率的掩码作为通用深度伪造检测的可持续性和可扩展性步骤的潜力。代码和模型可在 https://github.com/chandlerbing65nm/FakeImageDetection 获取。