KAD-Net：基于Kolmogorov-Arnold与差分感知网络的前瞻性深度伪造取证研究

《Knowledge-Based Systems》：KAD-Net: Kolmogorov-Arnold and Differential-Aware Networks for Robust and Sensitive Proactive Deepfake Forensics

本文提出了一种名为KAD-Net（Kolmogorov-Arnold Differential-aware Network）的前瞻性（proactive）深度伪造取证框架。该框架通过解耦的双分支结构，分别利用令牌化的Kolmogorov-Arnold网络（Tok-KAN）和结构感知差分模块（SDM）实现鲁棒的水印溯源，并借助结构感知增强模块（SAEM）提升对伪造操作的敏感检测能力，有效解决了现有方法在语义建模和细粒度结构变形感知方面的不足。

　　

Deepfake Proactive Forensics

前瞻性深度伪造取证中的水印概念源于数字水印技术。数字水印将不可感知的信息嵌入媒体内容中，以实现认证和版权保护。例如，Zhu等人提出的HiDDeN，通过差分噪声层实现了鲁棒水印的端到端学习。Jia等人引入了MBRS，这是一种在真实和模拟JPEG之间随机切换以应对JPEG失真的方法。Ma等人...

Model Architecture

为解决深度伪造带来的伪造风险，我们提出了一种名为KAD-Net的双分支解耦水印模型，该模型通过恢复编码的水印信息来检测和追踪经过各种深度伪造操作后的图像。KAD-Net包含两个独立训练的子模型：源追踪分支（增强失真下的水印鲁棒性并实现可靠的溯源性）和伪造检测分支（通过对细微操作高度敏感来提高检测精度）。

Implementation Details

数据集。 实验使用来自CelebA-HQ数据集的真实人脸图像，分辨率调整为128×128和256×256。人脸图像的训练、验证和测试基于官方CelebA划分。为评估泛化性和取证能力，我们在各种失真和操作下对CelebA-HQ、CelebA和LFW进行了源追踪和伪造检测测试，所有用于泛化评估的数据集均按照...

Conclusion

在本文中，我们提出了一种名为KAD-Net的前瞻性深度伪造取证框架。该框架将源归属和篡改检测任务分离到两个专门的分支中，其中一个分支致力于在各种失真下保持水印完整性，另一个分支则专注于高灵敏度地捕捉细微的伪造痕迹。独立训练有效减轻了任务干扰并增强了两个分支的性能。实验结果表明...