⚠️ 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
2025-10-23 更新
WMamba: Wavelet-based Mamba for Face Forgery Detection
Authors:Siran Peng, Tianshuo Zhang, Li Gao, Xiangyu Zhu, Haoyuan Zhang, Kai Pang, Zhen Lei
The rapid evolution of deepfake generation technologies necessitates the development of robust face forgery detection algorithms. Recent studies have demonstrated that wavelet analysis can enhance the generalization abilities of forgery detectors. Wavelets effectively capture key facial contours, often slender, fine-grained, and globally distributed, that may conceal subtle forgery artifacts imperceptible in the spatial domain. However, current wavelet-based approaches fail to fully exploit the distinctive properties of wavelet data, resulting in sub-optimal feature extraction and limited performance gains. To address this challenge, we introduce WMamba, a novel wavelet-based feature extractor built upon the Mamba architecture. WMamba maximizes the utility of wavelet information through two key innovations. First, we propose Dynamic Contour Convolution (DCConv), which employs specially crafted deformable kernels to adaptively model slender facial contours. Second, by leveraging the Mamba architecture, our method captures long-range spatial relationships with linear complexity. This efficiency allows for the extraction of fine-grained, globally distributed forgery artifacts from small image patches. Extensive experiments show that WMamba achieves state-of-the-art (SOTA) performance, highlighting its effectiveness in face forgery detection.
随着深度伪造生成技术的快速发展，需要开发稳健的人脸伪造检测算法。最近的研究表明，小波分析可以提高伪造检测器的泛化能力。小波能够有效地捕捉面部关键轮廓，这些轮廓通常细长、精细且全局分布，可能隐藏了在空间域中无法察觉的细微伪造痕迹。然而，当前基于小波的方法未能充分利用小波数据的独特属性，导致特征提取不足和性能提升有限。为了解决这一挑战，我们引入了WMamba，这是一种新型的小波特征提取器，基于Mamba架构。WMamba通过两个关键创新来最大化小波信息的使用价值。首先，我们提出了动态轮廓卷积（DCConv），它采用专门设计的可变形内核来自适应地模拟细长的面部轮廓。其次，通过利用Mamba架构，我们的方法以线性复杂度捕获远程空间关系。这种效率允许从小图像块中提取精细、全局分布的伪造痕迹。大量实验表明，WMamba达到了最新技术水平（SOTA），突显其在人脸伪造检测中的有效性。
论文及项目相关链接
PDF Accepted by ACM MM 2025
Summary
深度伪造技术快速发展，需要开发可靠的面部伪造检测算法。最新研究表明，小波分析可以提高伪造检测器的泛化能力。然而，当前的小波方法未能充分利用小波数据的特性，导致特征提取不足和性能提升有限。为解决此问题，我们提出基于Mamba架构的新型小波特征提取器WMamba。它通过动态轮廓卷积（DCConv）和捕捉长程空间关系的方法，最大化小波信息的使用效率，实现了对细微面部伪造痕迹的精细提取，达到业界领先水平。
Key Takeaways
- 深度伪造技术的快速发展催生了对面部伪造检测算法的需求。
- 小波分析能提高伪造检测器的泛化能力。
- 当前的小波方法存在未能充分利用小波数据特性的问题。
- WMamba是一种新型的小波特征提取器，基于Mamba架构。
- WMamba通过动态轮廓卷积（DCConv）捕捉面部轮廓信息。
- WMamba能捕捉长程空间关系，具有线性复杂度效率。
点此查看论文截图
