本研究从理论角度分析了对抗攻击的逻辑差异，并提出了Adversarial Logit Update (ALU)原则，用于推断对抗样本的标签。通过预净化和后净化的逻辑差异，提高模型的对抗鲁棒性。实验证明，该解决方案在多个数据集上具有卓越的鲁棒性能。

本文介绍了一种新的关键伪造挖掘（CFM）框架，通过多种骨干提高泛化性能和鲁棒性能，解决脸部伪造检测问题。该方法在各种评估设置下具有最先进的伪造检测性能。