.png){kind=icon}
返回
Normalization-consistent data curation for generalizable deepfake detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.131838.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度伪造技术近期因其潜在威胁而备受关注。现有的检测器通常难以泛化，原因在于其对特定数据集偏差的敏感性。我们发现一个关键因素：其性能会因不同的归一化参数而显著变化，这表明其依赖的是预处理的人工痕迹而非真实的篡改痕迹。为解决此问题，我们提出归一化一致性数据筛选（NormCura），该方法根据样本在归一化变化下的预测稳定性来选择训练样本。NormCura首先在多种归一化条件下评估样本的一致性，然后仅对稳定样本进行训练。这过滤掉了对归一化敏感的人工痕迹，同时保留了鲁棒性的取证模式。在九个深度伪造数据集上的广泛跨数据集评估表明，该方法显著提升了泛化性能，包括新兴的基于扩散的合成人脸，证实归一化一致性是学习通用深度伪造检测特征的有效代理。
