基于模型内协作学习的无偏置深伪造检测
原文中文，约300字，阅读约需1分钟。发表于：。我们提出了一种通用的模型内协作学习框架，实现了对不同质量的 Deepfake 的有效和同时检测，称为 QAD 模型。通过观察普通误差期望的上限，通过 Hilbert-Schmidt 独立准则最大化不同质量级别的图像的中间表示之间的依赖关系。此外，我们还精心设计了对抗性权重扰动模块，使得模型在提升整体性能的同时更加稳健，能够抵抗图像的损坏。对七个流行的 Deepfake...
QAD模型是一种通用模型内协作学习框架，可以有效地检测不同质量的Deepfake。该模型最大化不同质量级别图像的中间表示之间的依赖关系，实现了对Deepfake的同时检测。该模型还具有对抗性权重扰动模块，可以提高整体性能并抵抗图像的损坏。实验证明，该模型在七个流行的Deepfake数据集上超越了之前的SOTA基准。
