2024-arxiv-DataIndependentOperator: ATraining-FreeArtifactRepresentationExtractorforGeneralizableDFD

一、研究背景
1.以往工作依赖于生成多样的训练数据，或者依赖于大规模预训练模型，但是这会带来高昂的计算成本。
2.不同来源的数据存在分布偏移，这种偏移来源于内容（形状、结构、视觉属性）和伪影因素。

二、研究动机
1.小型的免训练过滤器足以捕获泛化性伪影表征。

三、研究目标

1.设计简单有效的域不变特征提取器。
2.令特征提取器尽可能少地依赖于训练数据，压缩图片内容对分类器的影响，以减少对训练数据的过拟合。
3.将多个域的伪影对齐到公共空间，减少不同域伪影之间的距离。
4.保证分类器的数据独立性，对已知数据和未知数据进行无偏处理。

四、技术路线
1.Data-Independent Operator：手工过滤器和随机初始化的卷积层可被用作免训练的伪影表征提取器。

• 利用大量高通滤波器、低通滤波器、预训练卷积层、随机初始化卷积层构成数据无关算子。
• 利用数据无关算子提取伪影表征。