Implicit Identity Driven Deepfake Face Swapping Detection

一、研究背景
1、以往工作把人脸转换检测看作是二元分类问题，并以分类为导向去学习分布差异，使得网络难以习得人脸转换的真正内涵，缺少对伪造的理解。
2、最近一些工作开始探究伪造痕迹，如噪声分析、局部区域和频率信息。但是，这些工作只针对特定伪造手段，使模型的泛化性较差。

二、研究动机
1、由于没有理想的解耦方法，因此，假人脸同时包含目标人脸的身份信息。
2、探索人脸的隐式身份，可以引导深度网络做出更合理的检测结果。

三、研究目标
身份出发，对人脸交换进行检测。利用人脸的显式身份作为对比，扩大特征空间中真假样本之间的差异。

四、技术路线
将人脸信息划分为隐式身份和显式身份，用隐式身份和显式身份之间的距离作为判断真假的依据，距离非常近则为真实视频，否则为伪造视频。

1、提出了显式身份对比（EIC）损失和隐式身份探索（IIE）损失优化特征提取网络，将特征映射到隐式身份空间。
2、在EIC的指导下，真样本的显隐特征聚集，假样本显隐特征分离，使得真样本和假样本在特征空间中的差异增大。（隐式网络在此情况下偏向于提取显式无关特征，但有可能提取身份无关特征）

3、进一步探索假样本的隐式身份，标记假人脸的隐式身份，将同一目标视频的假人脸标记为相同隐式身份，确保身份一致性。（降低对错误身份的预测，将2的偏重问题做修正）
（1）已知目标身份

（2）未知目标身份

五、实验结果