2023-CVPR-Learning on Gradients: GeneralizedArtifactsRepresentationforGAN-GeneratedImagesDetection

一、研究背景
1.大多数深度伪造检测器在未知域的性能急剧下降。
2.依赖于局部伪影、混合边界、全局纹理和频率级伪影的方法容易过拟合于训练集。
3.预处理、数据增强和减少频率级伪影可用来构建鲁棒的检测器，但是，仍然需要对生成模型构建更具泛化性的表征（梯度）。

二、研究动机
1.梯度可以突出目标任务中的重要像素，因此可以作为伪造检测任务的线索。
2.预训练梯度模型可以过滤掉图像内容，只保留与预训练模型的目标任务相关的鉴别性像素，使得到的梯度更依赖于预训练模型，而不是训练数据，从而可以提高检测器在未知域的性能。

三、研究目标
1.设计泛化性表征（梯度）来描述生成模型产生的伪影。
2.将数据驱动问题转换为模型驱动问题，通过引入转换模型，增强检测器的鲁棒性。

四、技术路线

提出梯度学习（LGrad）框架，将依赖于数据的问题转化为依赖于转换模型的问题；采用预训练CNN作为转换模型，将图像转换为梯度，利用梯度来表征泛化性伪影。
1.Transformation to Gradients

• 将图片输入转换模型
  
• 计算梯度