超级会员免费看
该研究针对面部伪造检测的泛化性弱问题，提出了一种名为DomainForensics的新方法，利用无监督领域自适应进行双向适应。通过从源域到目标域的前向适应和从目标域到源域的反向适应，有效地捕捉跨域的共同伪造特征。实验表明，这种方法在多种伪造方法、数据集和类型的适应场景中表现出色。
一、论文信息
论文题目：DomainForensics: Exposing Face Forgery across Domains via Bi-directional Adaptation
作者团队：IEEE会员
二、动机与创新
1、动机：泛化性弱
-
以前的工作通过数据增强、频率线索和迁移学习等方法来提高面部伪造检测的泛化能力。然而，这些方法都存在一定的限制和缺陷，如数据增强只能应对已知的伪造类型，频率线索易受数据处理和视频质量影响，迁移学习需要标注新的伪造样本。因此，研究人员提出了一个基本问题：是否可以在没有任何标签的情况下，仅通过访问目标样本来检测新的伪造？
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
