摘要
现有的深度伪造检测器在处理特定领域的数据时通常表现良好，但在面对未见过的数据集或新的伪造方法时泛化能力较弱。这一局限主要归因于它们依赖于数据集特有的语义线索，而非可迁移的伪造特征。为了解决这一问题，我们提出了一个具有泛化能力的深度伪造检测框架，该框架结合了频域增强和特征解耦技术。首先，我们使用相位幅度频域增强（PAFE）模块来消除深度伪造过程中产生的微妙光谱伪影。随后，将增强后的数据输入到一个不对称的双分支架构中，该架构能够区分与内容相关的信息和与伪造相关的特征：内容分支用于建模面部语义，而伪造分支则提取出具有较低内容干扰的鉴别性伪造特征。空间自注意力模块进一步对这些伪造特征进行精细化处理。我们通过图像级重构损失、特征级对比损失和分类损失来优化该框架。这些方法的综合运用促进了特征的有效解耦，并提高了学习到的伪造特征的鉴别能力。在多个广泛使用的深度伪造基准测试中进行的实验表明，与现有方法相比，所提出的框架具有更强的检测性能和更好的跨领域泛化能力。
