利用频域掩码技术实现可持续的通用深度伪造检测

《ACM Transactions on Multimedia Computing, Communications, and Applications》：Towards Sustainable Universal Deepfake Detection with Frequency-Domain Masking

该研究提出基于频率域掩码的深度伪造检测方法，通过随机掩码和几何变换增强模型泛化能力，在保持高检测精度的同时支持大规模模型剪枝，有效平衡计算效率与检测效果，适用于多种生成模型的新型深度伪造检测方案。

　　

摘要人工智能摘要

要查看此由人工智能生成的摘要，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

通用深度伪造检测旨在识别由各种生成模型（包括未见过的模型）生成的人工智能图像。这需要强大的泛化能力，以应对新出现的和未见过的深度伪造图像，同时尽量减少计算开销，从而实现大规模的深度伪造筛查，这是绿色人工智能时代的一个重要目标。在这项工作中，我们探索了频域掩码作为深度伪造检测器的训练策略。与主要依赖空间特征或大规模预训练模型的传统方法不同，我们的方法引入了随机掩码和几何变换，特别关注频域掩码，因为其具有更好的泛化性能。我们证明了频域掩码不仅提高了对不同生成器的检测准确性，而且在模型大幅剪枝的情况下仍能保持性能，提供了一种可扩展且资源高效的解决方案。我们的方法在GAN和扩散生成图像数据集上实现了最先进的泛化能力，并在结构化剪枝下表现出一致的鲁棒性。这些结果凸显了基于频域的掩码作为实现可持续和通用深度伪造检测的实际步骤的潜力。代码和模型可在https://github.com/chandlerbing65nm/FakeImageDetection获取。

人工智能摘要

人工智能生成的摘要（实验性）

该摘要是使用自动化工具生成的，并非由文章作者编写或审核的。它旨在帮助发现、评估相关性，并协助来自相关研究领域的读者理解本文内容。它旨在补充作者提供的摘要，后者仍是论文的官方摘要。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由人工智能生成的通俗语言摘要，您必须拥有高级访问权限。