面向可泛化的深度伪造视频检测：基于脆弱性感知的时空学习
计算机视觉与模式识别
2025-07-22 v3
摘要
检测深度伪造视频在复杂的时空特征表征方面存在很大挑战。大多数现有方法依赖于使用真实和虚假图像序列训练的二分类器，因此限制了其对未知生成方法的泛化能力。此外，随着生成式人工智能的不断进步，深度伪造特征在空间和时间水平上变得难以察觉，使得捕获它们变得极其困难。为此，我们提出了一种称为FakeSTormer的细粒度深度伪造视频检测方法，通过建模细微的时空不一致性来实现检测，同时避免过拟合。具体地，我们引入一个多任务学习框架，包含两个辅助分支，专门关注易产生人工的空间和时间区域。此外，我们提出了一种视频级数据合成策略，用于生成带有细微时空特征的伪造视频，为我们的额外分支提供高质量的样本和无需人工标注的注释。大量实验表明，我们的方法在多个具有挑战性的基准测试上优于最近的SOTA方法。我们的代码已公开于https://github.com/10Ring/FakeSTormer。
引用
@article{arxiv.2501.01184,
title = {Vulnerability-Aware Spatio-Temporal Learning for Generalizable Deepfake Video Detection},
author = {Dat Nguyen and Marcella Astrid and Anis Kacem and Enjie Ghorbel and Djamila Aouada},
journal= {arXiv preprint arXiv:2501.01184},
year = {2025}
}
备注
Accepted at ICCV2025. Project Page: https://datdaigia.github.io/FakeSTormer/