基于KAN局部性和特征漂移补偿投影的数据自由式持续人脸伪造检测统一框架
计算机视觉与模式识别
2025-08-15 v2
摘要
人脸伪造技术的快速发展使得检测器不断适应新的伪造方法，从而将人脸伪造检测置于持续学习范式中。然而，当检测器学习新的伪造类型时，其对先前类型的性能常会快速下降，这一现象被称为灾难性遗忘。Kolmogorov-Arnold网络（KANs）利用局部灵活的样条函数作为激活函数，能够通过仅修改函数中局部区域来学习新任务，而不影响其他区域。因此，KANs天然适用于解决灾难性遗忘问题。然而，KANs存在两个显著局限性：1）样条对建模高维图像效果不佳，而适用于图像的替代激活函数缺乏局部性这一关键属性；2）在持续学习中，当来自不同域的特征重叠时，由于对相同区域的重复修改，不同域的输入空间映射到不同曲线区域的做法总是会崩溃。本文提出了基于KAN的持续人脸伪造检测框架（KAN-CFD），包括Domain-Group KAN检测器（DG-KD）和数据自由式KAN漂移补偿投影下的特征分离策略（FS-KDCP）。DG-KD使KANs能够在保持局部性和局部灵活性的同时适应高维图像输入。FS-KDCP无需使用先前任务的数据，即可避免KAN输入空间的重叠。实验结果表明，所提方法在性能上优于其他方法，显著降低了遗忘现象。
引用
@article{arxiv.2508.03189,
title = {Unifying Locality of KANs and Feature Drift Compensation Projection for Data-free Replay based Continual Face Forgery Detection},
author = {Tianshuo Zhang and Siran Peng and Li Gao and Haoyuan Zhang and Xiangyu Zhu and Zhen Lei},
journal= {arXiv preprint arXiv:2508.03189},
year = {2025}
}