StegaFFD：通过细粒度隐写域提升技术实现保护隐私的面部伪造检测

《Machine Intelligence Research》：StegaFFD: Privacy-preserving Face Forgery Detection via Fine-grained Steganographic Domain Lifting

面部伪造检测框架StegaFFD通过隐写术隐藏原始人脸数据于封面图像中，直接在隐写域进行检测。提出低频感知分解(LFAD)抑制封面低频语义干扰，增强空间频率差异注意力(SFDA)提升隐藏特征感知，结合隐写域对齐(SDA)对齐隐藏与原始人脸特征表示，有效平衡隐私保护与检测精度。实验验证其在7个FFD数据集上实现强不可感知性，避免攻击者察觉并保持优异检测性能。

　　

摘要

大多数现有的面部伪造检测（FFD）模型都假设能够访问原始面部图像。实际上，在客户端-服务器框架下，私人物面数据可能在传输过程中被截获，或者由不受信任的服务器泄露。以往的隐私保护方法，如匿名化、加密或图像扭曲，可以在一定程度上减轻数据泄露问题，但往往会引入严重的语义失真，使得受保护的图像显得十分明显。这会引发攻击者的警觉，促使他们采取更为激进的策略，从而使整个过程变成一场猫捉老鼠的游戏。此外，这些方法会对图像内容进行大量修改，引入降质或伪影，可能会干扰依赖极其微妙伪造痕迹的FFD模型。受到图像隐写技术发展的启发（该技术能够实现高保真的隐藏和恢复），我们提出了一个基于隐写的面部伪造检测框架（StegaFFD），在不引起怀疑的情况下保护隐私。StegaFFD将面部图像隐藏在自然背景图像中，并直接在隐写域中进行伪造检测。然而，隐藏的伪造特征极其微妙，且会受到背景图像语义的干扰，因此面临重大挑战。为了解决这个问题，我们提出了低频感知分解（LFAD）和空间频率差分注意力（SFDA）技术，这两种技术可以抑制低频背景语义的干扰，提高隐藏面部特征的感知能力。此外，我们还引入了隐写域对齐（SDA）技术，使隐藏面部的表示与其原始图像的表示对齐，从而增强模型在隐写域中识别微妙面部特征的能力。在七个FFD数据集上的广泛实验表明，StegaFFD实现了高度的不可察觉性，避免了引发攻击者的怀疑，并且在保持FFD检测准确性的方面优于现有的面部隐私保护方法。