提示:这篇论文错误较多,公式不全
一、研究背景
1.明确指出伪造区域可以让用户更加信任检测结果,而以往工作忽略了可以用重建结果定位伪造区域。
2.不同伪造方法用不同形式随机修改不同面部区域,因此难以通过前一帧或其他伪造图片来进行结果预测。
3.同时利用真伪标签训练会造成模型过拟合。
二、研究目标
在检测面部伪造的同时定位伪造区域。
三、研究动机
1.不同面部单元之间存在一致性,因此重建伪造图片的难度大于重建真实 图片的难度,而随机屏蔽会阻碍全局一致性的学习。
2.高屏蔽率会导致重建伪影。
3.伪造痕迹会出现在随机区域,因此屏蔽区域的伪造痕迹难以预测。模型仅习得真实模式,未屏蔽区域的伪造痕迹难以恢复。
四、技术路线
1.恢复阶段:仅利用真实数据,随机屏蔽区域,若能习得各面部区域的内在联系,真实面部图将得到较好的恢复效果,伪造面部图将得到较差的恢复效果。
- 重建质量度量
- 较高的
R
E
r
RE^r
REr分数表示较高的重建质量,
0
<
R
E
r
<
1
0<RE^r<1
0<REr<1
A r r = R E r × A o r A^{rr}=RE^r \times A^{or} Arr=REr×Aor - 模型微调
丢弃解码器,用原始真伪数据对编码器进行微调
2.定位阶段:用恢复阶段的输出和伪造区域掩模图作为监督,指导定位过程。
- 用元学习方法避免过拟合,元训练和元测试阶段具有不同伪造模式。
- 利用前三层残差网络,并拼接输出
- 对重建结果进行映射,并用得到映射图
A
m
r
/
f
A^{mr/f}
Amr/f做分类;较高的
M
A
r
/
f
MA^{r/f}
MAr/f代表匹配质量
A m r = M A r × A r r A^{mr}=MA^r \times A^{rr} Amr=MAr×Arr
A m f = M A f × A r f A^{mf}=MA^f \times A^{rf} Amf=MAf×Arf - 为扩大原始真实数据与原始伪造数据之间的差距,需满足:
即:
并用 L m s e _ m a p b L^b_{mse\_map} Lmse_mapb约束 A m r A^{mr} Amr与 A r r A^{rr} Arr一致,以保证 M A r ≫ M A f MA^r\gg MA^f MAr≫MAf - 用 L m s e _ l o c b L^b_{mse\_loc} Lmse_locb约束预测定位与真实定位相近
3.损失