基于多损失融合的深度伪造人脸检测方法OA

现有深度伪造人脸检测方法多依赖训练集中已有的伪造模式,如噪声或局部纹理,因此在应对复杂未知伪造样本时泛化能力不足.针对该问题,基于RECCE(reconstruction-classification learning)网络提出一种多损失融合的伪造人脸检测框架.该方法引入原型相似度机制,通过度量输入特征与类别原型的距离,提高对未知伪造的识别能力;并构建由原型损失、二元交叉熵损失、重建损失和度量学习损失组成的联合损失,以多角度增强伪造特征表达.对编码器多层级特征进行融合,引入重建差异引导的注意力机制,使模型聚焦伪造区域,提高检测准确率(Acc)与鲁棒性.实验在多个基准数据集上与6种方法比较表明,该方法训练效率提升显著,仅为RECCE的28%.在FaceForensics++(c40)上训练并在Celeb-DF上跨域测试时,曲线下面积(AUC)提升1.48%.较现有方法具有更优性能和泛化能力.