HSFF-Net：基于层次化频谱-特征融合网络的深度伪造检测与定位新方法

《Neural Networks》：HSFF-Net: Hierarchical Spectral-Feature Fusion Network for Deepfake Detection and Localization

本文推荐：研究者提出HSFF-Net（Hierarchical Spectral-Feature Fusion Network），通过频谱细节增强（SDA）、动态协同融合（DCF）、自适应特征提升（AFE）和全局引导暴露（GGE）四大模块，实现空间域与频域特征的多层次融合，显著提升深度伪造检测的鲁棒性和定位精度，并创新性引入对比聚类损失函数增强类间区分度。

　　

Highlight

本研究提出HSFF-Net（层次化频谱-特征融合网络），通过以下创新实现深度伪造检测与定位的双重突破：

1. 频谱细节增强（SDA）模块：聚焦眼睛、鼻子等面部关键区域，在频域放大篡改痕迹的微观特征。

2. 动态协同融合（DCF）单元：跨层级动态融合RGB与频域特征流，保留最具鉴别力的信息。

3. 自适应特征提升（AFE）模块：以自上而下方式整合粗粒度语义与细粒度纹理特征。

4. 全局引导暴露（GGE）模块：将篡改位置线索注入不同特征层，实现像素级精确定位。

Proposed Method

技术框架：

• 双流架构：并行提取空间域（RGB）和频域（DCT变换）特征。

• 对比聚类损失：通过拉近类内样本距离、推远类间距离，增强模型对伪造特征的敏感性。

• 聚类分类器：依据样本与真实/伪造类中心的距离进行判定，避免对单一特征的过度依赖。

Conclusion

实验证明HSFF-Net在FF++和DFD数据集上均表现出色：

• 检测准确率超越现有基准模型（+3.2%平均提升）。

• 定位任务中IoU指标达0.78，显著优于传统方法。

• 对JPEG压缩、高斯模糊等扰动具有强鲁棒性。

（注：翻译部分严格遵循了术语标注、符号规范及生动性要求，去除了文献引用标识）