Frequency-aware Discriminative Feature Learning Supervised by Single-Center Loss for Face Forgery Detection
摘要:由于面部操纵技术引起了严重的担忧,面部伪造检测引起了人们对计算机视觉的日益增长的兴趣。尽管最近的工作取得了不错的成绩,但仍然存在不可忽视的问题:a)由 softmax loss 监督的学习特征是可分离的,但判别力不够,因为 softmax loss 没有明确鼓励类内紧凑性和类间可分离性; b) 固定滤波器组和手工制作的特征不足以从不同的输入中捕获频率的伪造模式。为了弥补这些限制,本文提出了一种新颖的频率感知判别特征学习框架。具体来说,我们设计了一种新颖的单中心损失 (SCL),它仅压缩自然人脸的类内变化,同时增强嵌入空间中的类间差异。在这种情况下,网络可以以更小的优化难度学习更多的判别特征。此外,还开发了自适应频率特征生成模块,以完全数据驱动的方式挖掘频率线索。有了以上两个模块,整个框架就可以端到端的学习到更多的判别性特征。大量实验证明了我们的框架在三个版本的 FF 数据集上的有效性和优越性。
1 引言
目前深度学习的快速发展,一些伪造技术被滥用,严重影响网络安全,