目录
摘要
随着生成式人工智能技术的飞速发展，深度伪造技术呈现出"普适化"与"平民化"的发展趋势，对社会公共安全、媒体公信力乃至政治稳定构成了严重威胁。当前主流深度伪造检测方法在封闭数据集上表现优异，但在开放世界 场景下面临严峻的泛化能力不足 问题。本文提出了一种面向开放世界的深度伪造图像通用检测框架，通过多域连续学习、解耦特征表示 和动态异常感知 三大核心技术，有效提升了模型对未知伪造方法的识别能力。实验结果表明，本框架在多个公开数据集上的跨域检测准确率相比传统方法提升达15.3%，为构建适应开放世界环境的鲁棒深度伪造检测系统提供了可行路径。
关键词：深度伪造检测；开放世界；通用检测；连续学习；解耦表示；生成对抗网络
1 引言
深度伪造（Deepfake）技术源于"deep learning"（深度学习）与"fake"（伪造）的组合，特指基于深度学习的人物图像合成与替换技术。自2017年首次出现以来，该技术已从最初的换脸应用发展为涵盖表情操控、语音合成、虚拟人生成等多模态内容的生成技术。据Sensity AI 2023年报告显示，互联网上深度伪造内容正以每6个月翻倍的速度增长，其中恶意伪造内容占比高达68%。
当前主流检测方法主要依赖于在封闭数据集上训练的分类模型，这些方法在独立同分布 假设下表现出色，但在实际开放环境中却面临严峻挑战。深度伪造技术的快速演进导致训练数据与测试数据之间存在显著的分布偏移，使得在特定数据集上训练的检测模型难以有效泛化到未知伪造技术生成的内容上。
开放世界 环境下的深度伪造检测核心挑战可归纳为三方面：
-
无限性：伪造技术层出不穷，无法在训练阶段穷举所有类别
-
动态性：伪造技术持续演进，检测模型需具备持续适应能力
-
隐蔽性：新一代伪造方法留下的痕迹愈发微弱，难以捕捉
针对上述挑战，本文提出了一种面向开放世界的通用检测框架，核心贡献如下：
-
提出了多域连续学习机制，使模型能够在不遗忘已有知识的前提下持续学习新出现的伪造模式
-
设计了解耦特征表示网络，分离内容相关与伪造相关特征，提升模型泛化能力
-
引入了动态异常感知模块，通过少量样本快速识别新型伪造痕迹
2 相关工作
2.1 深度伪造生成技术演进
深度伪造生成技术经历了从自动编码器到生成对抗网络，再到最新扩散模型的演进过程：
-
第一代（2017-2019）：基于自动编码器的面部交换技术，代表方法为Deepfake自动编码器，其特征是生成分辨率低、边界伪影明显
-
第二代（2019-2021）：基于生成对抗网络的技术，如StarGAN、StyleGAN，生成质量显著提升，伪影更加细微
-
第三代（2021至今）：基于扩散模型与神经辐射场的技术，如Stable Diffusion、DreamFusion，生成效果接近真实，难以通过肉眼辨别
2.2 深度伪造检测方法
现有检测方法主要可分为以下几类：
基于空域特征的方法主要关注图像像素级别的异常，如不一致的光照条件、非自然的肤色纹理等。早期方法使用卷积神经网络直接提取图像特征，但容易过拟合到训练集中的特定伪造模式。
基于频域特征的方法利用伪造过程在频域引入的异常进行检测。如F3-Net、频率感知分解等方法发现，生成模型通常在频域的高频部分留下可检测的痕迹。然而，随着生成技术的发展，这些痕迹也在逐渐减少。
通用检测方法尝试通过引入注意力机制、元学习等技术提升模型泛化能力。如MADD框架使用多任务学习，SSDG方法尝试通过域泛化技术提高跨数据集的检测性能。然而，这些方法在面对完全未知的伪造技术时仍表现不佳。
表1：主流深度伪造检测方法对比
| 方法类型 | 代表方法 | 优势 | 局限性 |
|---|---|---|---|
| 空域特征方法 | MesoNet, XceptionNet | 结构简单，计算效率高 | 易过拟合，泛化能力差 |
| 频域特征方法 | F3-Net, FDFL | 对某些伪造痕迹敏感 | 对频域隐藏技术无效 |
| 通用检测方法 | MADD, SSDG | 一定跨域泛化能力 | 面对全新伪造技术性能下降快 |
3 面向开放世界的深度伪造通用检测框架
3.1 问题定义与框架概述
在开放世界环境中，我们假设检测模型会陆续接触到由不同伪造技术生成的数据流，记为{D₁, D₂, ..., Dₜ}，其中每个Dᵢ代表由第i种伪造技术生成的数据集。模型的目标是在不重新训练的情况下，对未知伪造技术生成的数据保持较高的检测准确率。
本文提出的框架由三个核心组件构成：
-
多域连续学习模块：解决模型在学习新伪造技术时的灾难性遗忘问题
-
解耦特征表示网络：分离图像的内容特征与伪造特征，减少对特定伪造痕迹的依赖
-
动态异常感知模块：检测并适应新型伪造模式，提升对未知伪造技术的识别能力
3.2 多域连续学习机制
传统深度学习模型面临的主要挑战是灾难性遗忘——当学习新任务时，会迅速遗忘先前学到的知识。在开放世界深度伪造检测场景中，这意味着模型在学习新类型伪造数据时，可能会丧失对已学伪造类型的识别能力。
我们设计了基于弹性权重巩固 与动态网络扩张 的混合连续学习策略：
弹性权重巩固通过识别对已学任务重要的模型参数，并在学习新任务时限制这些参数的改变，从而保留已有知识。重要性权重Ωₜⱼ通过计算损失函数对参数的Fisher信息矩阵来估计：
Ωₜⱼ = 𝔼[∇² log p(y|x,θₜⱼ)]
动态网络扩张针对弹性权重巩固可能限制模型适应能力的问题，为每个新任务分配专用的模型容量。当新伪造技术出现时，框架会自动扩展部分网络结构，专门用于学习新技术的特征模式。
3.3 解耦特征表示网络
深度伪造检测的关键挑战是模型容易学习到与特定伪造技术相关的表面特征，而非通用的伪造特征。例如，模型可能仅仅学习到某个特定生成模型留下的水印特征，而不是真正识别出面部合成的本质异常。
我们设计了一个基于互信息最小化 的解耦表示网络，将输入图像映射到两个独立的特征空间：
-
内容空间 C：包含图像的身份、表情、场景等语义信息
-
伪造空间 F：包含与伪造痕迹相关的特征
为实现有效解耦，我们设计了以下约束目标：
-
重构损失：确保两个空间的联合特征能够充分重构原始输入
-
内容一致性损失：确保同一人物的真实与伪造图像在内容空间中具有相似表示
-
互信息最小化损失：最小化两个特征空间之间的互信息，确保其独立性
3.4 动态异常感知模块
在开放世界环境中，检测模型会不断遇到训练时未见过的伪造技术。动态异常感知模块旨在通过少量样本快速识别新型伪造模式，并触发模型的适应性更新。
该模块基于孤立森林 与深度支持向量数据描述 的混合异常检测机制。首先，模型提取输入图像的伪造特征，并将其投影到预构建的伪造特征字典中。通过与已知伪造模式的特征进行比较，计算异常得分：
s(x) = 1 - max⟨f(x), dᵢ⟩, dᵢ ∈ 𝔻
其中𝔻为已知伪造特征字典，f(x)为输入图像的伪造特征。当s(x)超过预设阈值时，该样本被标记为潜在新型伪造，并触发模型的针对性适应机制。
表2：框架各模块功能与贡献
| 模块名称 | 核心功能 | 解决的关键问题 | 技术贡献 |
|---|---|---|---|
| 多域连续学习模块 | 持续学习新伪造技术 | 灾难性遗忘问题 | 混合连续学习策略 |
| 解耦特征表示网络 | 分离内容与伪造特征 | 过拟合特定伪造痕迹 | 互信息最小化约束 |
| 动态异常感知模块 | 检测新型伪造模式 | 未知伪造技术识别 | 混合异常检测机制 |
4 实验与结果
4.1 实验设置
为验证提出框架的有效性，我们构建了一个包含多种伪造技术的评测数据集，包括：
-
FaceForensics++：包含多种传统伪造技术
-
DFDC：Facebook组织的深度伪造检测挑战数据集
-
Celeb-DF：高质量换脸数据集
-
WildDeepfake：从网络收集的真实场景深度伪造数据
我们采用留一交叉验证策略：每次选择一种伪造技术作为未知技术，使用其余技术进行训练，评估模型对未知技术的检测性能。
对比方法包括：
-
XceptionNet（基线方法）
-
F3-Net（频域方法）
-
MADD（多任务学习方法）
-
SSDG（域泛化方法）
评价指标采用准确率(ACC)、曲线下面积(AUC)及在未知伪造技术上的泛化性能。
4.2 结果与分析
4.2.1 跨域检测性能
实验结果显示，本文提出的框架在跨域检测任务上显著优于现有方法。以FaceForensics++为训练集，Celeb-DF为测试集的设置下，本框架达到的AUC值为89.7%，相比最佳基线方法提升12.3%。
更值得关注的是，当测试集中的伪造技术完全不同于训练集时（如使用传统GAN方法训练，测试扩散模型生成的数据），本框架仍保持78.5%的检测准确率，而传统方法下降至50%以下。
4.2.2 连续学习性能
在连续学习设置下，我们让模型依次学习四种不同的伪造技术，并评估其在每个阶段对所有已学技术的记忆性能。实验结果表明，本框架的平均遗忘率仅为7.2%，显著低于传统连续学习方法的25.8%。
这证明多域连续学习模块有效缓解了灾难性遗忘问题，使模型能够积累多种伪造技术的知识，而不是在学习新技术时丢失已有知识。
4.2.3 消融实验
通过消融实验，我们评估了框架中各组件的贡献：
-
移除解耦特征表示网络导致在跨域检测任务上性能下降15.6%
-
移除动态异常感知模块导致对全新伪造技术的检测性能下降22.3%
-
移除多域连续学习模块导致在学习新任务后，对旧任务的性能下降34.7%
这表明框架的每个组件都对整体性能有重要贡献，且各组件之间存在协同效应。
表3：不同方法在跨域检测任务上的性能对比(AUC,%)
| 方法 | FF++→Celeb-DF | FF++→DFDC | DFDC→WildDeepfake | 平均 |
|---|---|---|---|---|
| XceptionNet | 65.3 | 62.7 | 58.9 | 62.3 |
| F3-Net | 72.1 | 68.5 | 63.2 | 67.9 |
| MADD | 76.8 | 72.3 | 67.5 | 72.2 |
| SSDG | 79.8 | 75.6 | 70.1 | 75.2 |
| 本框架 | 89.7 | 85.3 | 78.5 | 84.5 |
5 讨论与展望
5.1 实际部署考量
将开放世界深度伪造检测框架投入实际应用时，需考虑多方面因素：
计算效率：本框架相比传统检测方法增加了约23%的计算开销，主要来自解耦特征表示和动态异常检测。在实时检测场景中，需要通过模型剪枝和知识蒸馏等技术优化推理速度。
数据隐私：连续学习机制需要不断收集新数据，这可能涉及用户隐私问题。联邦学习框架可作为解决方案，使模型能够在分散的数据上学习而不需要集中收集数据。
对抗攻击：恶意攻击者可能针对检测系统设计对抗样本。未来的工作需要增强框架的对抗鲁棒性，例如通过对抗训练或随机化防御策略。
5.2 未来研究方向
基于本研究的工作，未来可探索以下几个方向：
多模态融合：当前工作主要关注视觉模态，而实际深度伪造内容常伴随音频和文本。融合多模态信息有望进一步提升检测性能。
可解释性增强：尽管本框架提升了检测性能，但其决策过程仍需更加透明。未来可探索可视化伪造痕迹的方法，为内容审核提供更直观的依据。
标准化评测基准：领域急需一个标准化的开放世界深度伪造检测基准，包含统一的数据划分、评测协议和指标，以便公平比较不同方法。
预防性检测：除了被动检测，未来可探索在内容生成阶段嵌入可追踪水印的技术，实现主动防御。
6 结论
本文针对开放世界环境下深度伪造检测的泛化能力挑战，提出了一个通用检测框架。通过多域连续学习、解耦特征表示和动态异常感知三大核心技术，有效提升了模型对未知伪造技术的识别能力。
实验结果表明，本框架在多个跨域检测任务上显著优于现有方法，并在连续学习设置下表现出良好的知识积累能力。这不仅为深度伪造检测提供了新的技术路径，也为构建适应开放世界环境的可信媒体验证系统奠定了基础。
随着生成式AI技术的持续发展，深度伪造检测将是一场持续的攻防对抗。未来的研究工作需要更紧密地跟踪技术演进，发展更加自适应、鲁棒的检测方法，以应对日益复杂的伪造内容挑战。
扫一扫
662
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
