⚠️ 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
2025-11-27 更新
Leveraging Unlabeled Data from Unknown Sources via Dual-Path Guidance for Deepfake Face Detection
Authors:Zhiqiang Yang, Renshuai Tao, Chunjie Zhang, guodong yang, Xiaolong Zheng, Yao Zhao
Existing deepfake detection methods heavily rely on static labeled datasets. However, with the proliferation of generative models, real-world scenarios are flooded with massive amounts of unlabeled fake face data from unknown sources. This presents a critical dilemma: detectors relying solely on existing data face generalization failure, while manual labeling for this new stream is infeasible due to the high realism of fakes. A more fundamental challenge is that, unlike typical unsupervised learning tasks where categories are clearly defined, real and fake faces share the same semantics, which leads to a decline in the performance of traditional unsupervised strategies. Therefore, there is an urgent need for a new paradigm designed specifically for this scenario to effectively utilize these unlabeled data. Accordingly, this paper proposes a dual-path guided network (DPGNet) to address two key challenges: (1) bridging the domain differences between faces generated by different generative models; and (2) utilizing unlabeled image samples. The method comprises two core modules: text-guided cross-domain alignment, which uses learnable cues to unify visual and textual embeddings into a domain-invariant feature space; and curriculum-driven pseudo-label generation, which dynamically utilizes unlabeled samples. Extensive experiments on multiple mainstream datasets show that DPGNet significantly outperforms existing techniques,, highlighting its effectiveness in addressing the challenges posed by the deepfakes using unlabeled data.
现有深度伪造检测法严重依赖于静态标注数据集。然而，随着生成模型的普及，真实场景中充斥着大量来自未知来源的无标签虚假人脸数据。这引发了一个关键问题：仅依赖现有数据的检测器会出现泛化失败的情况，而针对这种新型数据流进行手动标注则因伪造品的高度逼真性而变得不切实际。更根本的挑战在于，与典型的无监督学习任务不同，其中类别是明确定义的，真实和虚假人脸共享相同的语义，这导致传统无监督策略的性能下降。因此，迫切需要一种针对这一场景专门设计的新范式，以有效利用这些未标注数据。鉴于此，本文提出了一种双路径引导网络（DPGNet）来解决两个关键挑战：（1）弥合不同生成模型生成的人脸之间的领域差异；（2）利用无标签图像样本。该方法包括两个核心模块：文本引导跨域对齐，使用可学习的线索将视觉和文本嵌入统一到领域不变的特征空间中；以及课程驱动的伪标签生成，动态利用无标签样本。在多个主流数据集上的广泛实验表明，DPGNet显著优于现有技术，突显其在利用无标签数据解决深度伪造挑战方面的有效性。
论文及项目相关链接
PDF 11pages,4figures
Summary
基于生成模型产生的大量未标记虚假人脸数据给现实场景带来挑战的问题，该论文提出了双路径引导网络（DPGNet）。它通过文本引导跨域对齐和课程驱动的伪标签生成两个核心模块来解决不同生成模型间的领域差异和利用未标记图像样本的问题。实验证明，DPGNet在多个主流数据集上的表现显著优于现有技术，有效地解决了由未标记数据带来的深度伪造挑战。
Key Takeaways
- 生成模型产生大量未标记虚假人脸数据，给现实场景带来挑战。
- 现有深度伪造检测方式主要依赖静态标记数据集，但面临泛化失败的问题。
- 真实和虚假人脸在语义上具有相似性，使得传统无监督策略性能下降。
- 需要一种新范式来有效利用这些未标记数据。
- 双路径引导网络（DPGNet）旨在解决领域差异和未标记图像样本的问题。
- DPGNet包含两个核心模块：文本引导跨域对齐和课程驱动的伪标签生成。