面向增量人脸 forgery 检测的生成式重放：基于领域的相对加权策略
计算机视觉与模式识别
2025-11-25 v1
摘要
人脸生成技术的快速发展导致 forgery 方法的日益多样化。增量 forgery 检测旨在更新现有模型以融合新的 forgery 数据，但当前基于样本重放的方法受限于样本多样性不足和隐私问题。生成式重放通过合成过去数据提供了潜在解决方案，但其在 forgery 检测中的可行性尚不明确。本文系统性地调查了生成式重放，确定了两种情形：当重放生成器紧密匹配新的 forgery 模型时，生成的真实样本会模糊领域边界，形成领域风险样本；当重放生成器差异显著时，生成样本可被安全监督，形成领域安全样本。为有效利用生成式重放，我们提出了一种新颖的领域感知相对加权（DARW）策略。DARW 直接监督领域安全样本，同时对领域风险样本应用相对分离损失以平衡监督与潜在混淆。领域混淆得分动态调整此权衡，依据样本可靠性。广泛的实验表明，DARW 在不同生成式重放设置下均显著改善了 forgery 检测的增量学习性能，减轻了领域重叠的不利影响。
关键词
引用
@article{arxiv.2511.18436,
title = {When Generative Replay Meets Evolving Deepfakes: Domain-Aware Relative Weighting for Incremental Face Forgery Detection},
author = {Hao Shen and Jikang Cheng and Renye Yan and Zhongyuan Wang and Wei Peng and Baojin Huang},
journal= {arXiv preprint arXiv:2511.18436},
year = {2025}
}