.png){kind=icon}
返回
Maximum Entropy Adversarial Learning for Generalizable Forgery Detection
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-5628-1_21.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
由于模型对特定方法的模式过拟合，深度伪造检测器对未见过的操纵方法的泛化是一个关键挑战。尽管对抗学习是一种常见的补救方法，但其传统的基于误差的目标存在缺陷，因为它仅鼓励判别器做出错误判断，这可以在不合并不同伪造类型的特征簇的情况下实现。我们主张从使判别器出错转向使其完全混淆。为此，我们提出了最大熵对抗（MEA）学习，其中特征提取器被训练以生成最大化判别器预测熵的特征。通过将输出分布驱向均匀分布，这一目标通过将不同的伪造特征坍缩为一个簇，强制学习一个真正统一、与具体方法无关的表示。MEA是协同框架的核心，通过监督对比损失来维持清晰的真实与伪造边界，并通过一种新颖的对抗引导特征增强（AGFA）来创建具有挑战性的边界样本以增强泛化能力。在Celeb-DF和DFDC等基准测试上的大量实验验证了我们的方法，展示了我们方法优越的泛化性能。
Keyword:
Deepfake Detection
Domain Generalization
Adversarial Learning
期刊
P
IF:
0
论文数:
32
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏Generalized Deepfakes Detection with Reconstructed-Blended Images and Multi-scale Feature Reconstruction Network基于重构融合图像和多尺度特征重建网络的广义深度伪造检测
OAAI
OAAI分享收藏FreqDebias: Towards Generalizable Deepfake Detection via Consistency-Driven Frequency Debiasing
PREAI
分享收藏Spatial-Phase Shallow Learning: Rethinking Face Forgery Detection in Frequency Domain空间相位浅层学习: 频域人脸伪造检测的再思考OAAI
OAAI分享收藏
查看更多内容