Trident：基于对抗三元组学习的人脸伪造检测

随着基于深度神经网络的人脸伪造技术日益复杂，检测数字媒体中的人脸操纵已成为一个显著的挑战，这凸显了维护数字媒体完整性和反击视觉虚假信息的重要性。当前的检测模型主要基于基于域特定数据的监督训练，往往在面对由未遇见的技术生成的伪造时会失效。针对这一挑战，我们引入了Trident，一个人脸伪造检测框架，采用具有增强适应性的三元组学习的Siamese网络架构。Trident通过在精选的三元组上进行训练来隔离伪造的细微差异，捕获区分原始样本与被操纵样本的细粒度特征，同时控制其他变量。为了进一步提高可泛化性，我们采用域对抗训练，引入伪造判别器。该对抗组件引导我们的嵌入模型向伪造不可辨的表征靠拢，提高了其对未见操纵的鲁棒性。此外，我们防止了分类器头部到嵌入模型的梯度流动，避免了由某些伪造特有的伪影导致的过拟合。在多个基准测试和消融研究中，我们的框架表现出色。我们将在GitHub仓库中发布代码。