Quality-Agnostic Deepfake Detection with Intra-model Collaborative Learning

一、研究背景
1.大多数伪造检测模型只适用于某种特定质量（分辨率）的视频，且在低质量视频上效果较差。
2.现有基于鲁棒性设计的模型也不能处理任意压缩率的图片数据。
3.检测低质量视频或同时检测不同质量的视频仍然是一个严峻的挑战。

二、研究动机
1.低质量图片的分类失误源于与高质量图片的特征分布差异和分类损失。
2.强制使输入不同的中间层具有相似输出会使模型崩塌，或者导致模型记住训练数据，而不是学习鉴别特征。
3.寻找一个更平坦的最小值可以提高模型的泛化能力。

三、研究目标
同时检测不同质量的深度伪造视频。

四、技术路线
设计基于实例的模型内协作学习框架，以同时检测不同质量的深度伪造视频。在训练阶段，用单一模型同时学习同一图像的不同质量表示，以对齐高质量和低质量图像的分布。
1.拉近不同质量图片间的分布距离：
利用HSIC最大化高质量图片与低质量图片之间的几何结构，让不同质量的图片在浅层具有多样性表示，在深层具有相似的分布。
2.提升模型对图像损坏的鲁棒性：
设计对抗性权值扰动模块（AWP），寻找最坏情况下的模型权值扰动。

五、实验结果