一、论文信息:
- 题目:Multi-attentional Deepfake Detection
- 作者团队:
- 会议:CVPR 2021
二、背景与创新:
- 背景:之前大多数方法将deepfake检测模型作为一个普通的二分类问题,即首先使用骨干网络提取全局特征,然后将其输入二分类器(real/fake)。但由于在鉴伪任务中,真假图像之间的差异往往是微妙的和局部的,作者认为普通的解决方法不是最佳的。
- 创新:本文将Deepfake表述为一个细粒度的分类问题,并提出了一种新的多注意力的Deepfake检测网络。具体有以下几部分:
- 多个空间注意力头,使网络关注不同的局部区域,并从多个人脸注意区域中获取局部区别特征;
- 纹理增强块,放大浅层特征中的细微伪影;
- 在注意力图的指导下,聚合低层纹理特征和高层语义特征。
- 为了解决网络的学习困难,进一步引入了一个新的区域独立性损失和一个注意力引导的数据增强策略,以对抗学习的方式辅助网络训练。