AdfNet:一种基于多样化特征的自适应深度伪造检测网络

作者：李家春; 李博文; 林伟伟

来源：华南理工大学学报(自然科学版), 2023, 51(09): 82-89.

• 深度学习
• 深度伪造检测
• 多尺度时序特征
• 注意力机制
• 自适应网络

视频篡改造成的危害一直在危及人们的生活，这使深度伪造检测技术逐渐得到广泛关注和发展。然而，目前的检测方法由于使用了不灵活的约束条件，无法有效捕获噪声残差；此外，也忽略了纹理和语义特征之间的关联，以及时序特征对检测性能提升的影响。为了解决上述问题，文中提出了一种用于深度伪造检测的、具有多样化特征的自适应网络（AdfNet），它通过提取语义特征、纹理特征和时序特征帮助分类器判断真伪；探索了自适应纹理噪声提取机制（ATNEM），通过未池化的特征映射与基于频域的通道注意力机制，灵活捕获非固定频段的噪声残差；设计了深层语义分析指导策略（DSAGS），通过空间注意力机制突出篡改痕迹，并引导特征提取器关注焦点区域的深层特征；研究了多尺度时序特征处理方法（MTFPM），利用时序注意力机制给不同视频帧分配权重，捕获被篡改视频中时间序列的差异。实验结果表明，所提出的网络在FaceForensics++(FF++)数据集HQ模式中的ACC值为97.41%，相比当前主流网络有较为明显的性能提升；并且在FF++数据集上保持AUC值为99.80%的同时，在CelebDF上AUC值可达到76.41%，具有较强的泛化性。

• 出版日期2023
• 单位华南理工大学