⚠️ 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
2025-11-08 更新
WaveGuard: Robust Deepfake Detection and Source Tracing via Dual-Tree Complex Wavelet and Graph Neural Networks
Authors:Ziyuan He, Zhiqing Guo, Liejun Wang, Gaobo Yang, Yunfeng Diao, Dan Ma
Deepfake technology poses increasing risks such as privacy invasion and identity theft. To address these threats, we propose WaveGuard, a proactive watermarking framework that enhances robustness and imperceptibility via frequency-domain embedding and graph-based structural consistency. Specifically, we embed watermarks into high-frequency sub-bands using Dual-Tree Complex Wavelet Transform (DT-CWT) and employ a Structural Consistency Graph Neural Network (SC-GNN) to preserve visual quality. We also design an attention module to refine embedding precision. Experimental results on face swap and reenactment tasks demonstrate that WaveGuard outperforms state-of-the-art methods in both robustness and visual quality. Code is available at https://github.com/vpsg-research/WaveGuard.
深度伪造技术带来了越来越大的侵犯隐私和身份盗用的风险。为了解决这些威胁，我们提出了WaveGuard，这是一个主动水印框架，它通过频域嵌入和基于图的结构一致性增强稳健性和隐蔽性。具体来说，我们使用双树复数小波变换（DT-CWT）将水印嵌入高频子带，并采用结构一致性图神经网络（SC-GNN）来保持视觉质量。我们还设计了一个注意力模块来提高嵌入精度。在换脸和面部再现任务上的实验结果表明，WaveGuard在稳健性和视觉质量方面都优于最先进的方法。代码可访问 https://github.com/vpsg-research/WaveGuard。
论文及项目相关链接
PDF 14 pages, 6 figures, 7 tables
Summary
针对Deepfake技术带来的隐私入侵和身份盗窃等风险，提出了WaveGuard这一主动水印框架。它通过频域嵌入和基于图的结构一致性增强稳健性和隐蔽性。在高频子带中使用双树复数小波变换嵌入水印，并利用结构一致性图神经网络保留视觉质量。同时设计了一个注意力模块来提高嵌入精度。对面部交换和面部重播任务的实验结果表明，WaveGuard在稳健性和视觉质量方面均优于现有方法。代码可在以下网站获取：网址链接。
Key Takeaways
- Deepfake技术存在隐私入侵和身份盗窃等风险。
- WaveGuard是一种主动水印框架，旨在解决这些问题。
- WaveGuard使用频域嵌入技术以增强稳健性。
- 基于图的结构一致性用于增强隐蔽性。
- 利用双树复数小波变换在高频子带中嵌入水印。
- 结构一致性图神经网络用于保持视觉质量。
点此查看论文截图
