深度伪造检测中的量入为出与错误开支

本研究针对深度伪造检测领域中短期收益与长期有效性之间的矛盾进行探讨，提出了PoundNet这一新学习框架，以实现对深度伪造检测的良好泛化能力。研究证明，PoundNet在检测性能上比现有最先进方法提高了19%，同时在物体分类任务中也保持了63%的高效表现，展示了其在知识保留和泛化能力上的独特优势。