⚠️ 以下所有内容总结都来自于 大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验
2025-05-29 更新
Contrastive Desensitization Learning for Cross Domain Face Forgery Detection
Authors:Lingyu Qiu, Ke Jiang, Xiaoyang Tan
In this paper, we propose a new cross-domain face forgery detection method that is insensitive to different and possibly unseen forgery methods while ensuring an acceptable low false positive rate. Although existing face forgery detection methods are applicable to multiple domains to some degree, they often come with a high false positive rate, which can greatly disrupt the usability of the system. To address this issue, we propose an Contrastive Desensitization Network (CDN) based on a robust desensitization algorithm, which captures the essential domain characteristics through learning them from domain transformation over pairs of genuine face images. One advantage of CDN lies in that the learnt face representation is theoretical justified with regard to the its robustness against the domain changes. Extensive experiments over large-scale benchmark datasets demonstrate that our method achieves a much lower false alarm rate with improved detection accuracy compared to several state-of-the-art methods.
在这篇论文中，我们提出了一种新的跨域人脸伪造检测法，它对不同且可能未见过的伪造方法具有鲁棒性，同时保证了可接受的低误报率。尽管现有的人脸伪造检测法在一定程度上可应用于多个领域，但它们往往伴随着较高的误报率，这会极大地破坏系统的可用性。为解决这一问题，我们提出了一种基于稳健脱敏算法的对比脱敏网络（CDN），它通过从成对的真实人脸图像中学习领域转换来捕获关键领域特征。CDN的一个优势在于，所学习的人脸表示在理论上证明了其对领域变化的鲁棒性。在大规模基准数据集上的大量实验表明，与几种最新方法相比，我们的方法实现了更低的误报率并提高了检测精度。
论文及项目相关链接
Summary
基于对比脱敏网络（CDN）的跨域人脸伪造检测新方法，能有效应对不同甚至未见过的伪造手段，保证较低的误报率。该方法通过从真实人脸图像对中学习领域转换的本质特征，解决现有方法高误报率的问题。CDN的理论依据证明其面对领域变化具有稳健性。
Key Takeaways
- 提出了一种新的跨域人脸伪造检测方法，对不同和未见过的伪造手段具有不敏感性。
- 通过对比脱敏网络（CDN）解决现有方法的高误报率问题。
- CDN基于稳健的脱敏算法，能从真实人脸图像对中学习领域转换的本质特征。
- CDN的理论依据证明了其面对领域变化的稳健性。
- 在大规模基准数据集上的广泛实验表明，该方法具有较低的误报率和提高的检测准确性。
- 与几种最新方法相比，该方法具有明显的优势。
点此查看论文截图
