超级会员免费看
该研究针对Deepfake检测模型在面对新型伪造方法时准确率下降的问题，提出了一种增量学习框架。通过学习域不变表示和多视角知识蒸馏，以及采用重放策略，模型能够在少量新样本下泛化到新域，减少灾难性遗忘，提升检测能力。
一、研究背景
1.在大规模数据集上训练后，Deepfake Detection模型通常可以准确识别已知方法生成的伪造图像。
2.由于数据分布的差异，模型检测新技术生成的图片时准确率显著降低。
3.亟需一种能够应对多种潜在伪造方法的检测模型。
二、研究动机
1.难以获取足够新增伪造方法样本，依赖少量样本更新特征分布会造成过拟合。
2.伪造检测任务存在数据不平衡问题，新增伪造方法样本远少于已知伪造方法。
3.对齐新旧任务特征既有利于新任务学习又有利于先前知识保留。
三、研究目标
对新数据和旧数据之间的关系进行建模，基于少量新样本，快速将检测模型泛化到新的域。
四、技术路线
提出了增量学习框架，通过从少量的新样本中不断学习，提升Deepfake Detection模型的泛化性。
1.Learning Domain-invariant Representations
通过探究不同域样本对之间的语义关系，学习基于监督对比学习的域不变表示，减轻特征间的域差异，防止过拟合于不充足的新数据。
- 交叉熵损失
订阅专栏 解锁全文
扫一扫
645
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
