探索真实性的多维空间：混合曲率表示学习方法在通用深度伪造检测中的应用

《IEEE Access》：Learning the Manifold of Authenticity: Hybrid-Curvature Representation Learning for Generalizable Deepfake Detection

　　

摘要：

深度伪造检测器的实际效用受到泛化能力危机的制约：那些在已知伪造技术上表现良好的模型，在面对未见过的伪造内容时却会失效。我们认为这种失败源于一个根本的几何不匹配问题。现有方法隐含地假设真实人脸的流形可以表示在曲率均匀的空间中（通常是欧几里得空间），但这无法充分捕捉面部特征的复杂多尺度结构。本文验证了这样一个假设：真实人脸所在的流形具有混合几何特性，既需要角度上的紧凑性（球形属性），也需要层次化的组织结构（双曲属性）。为了解决这一几何不匹配问题，我们提出了一种新的检测器CTrue，它能够学习一种统一的、具有混合曲率的面部真实性表示方法。该方法仅通过自我监督学习在真实人脸数据上进行训练，将面部嵌入同时投影到两个互补的流形上：一个超球面用于保证紧凑性，另一个双曲空间用于模拟自然的特征层次结构。一组数学上最优的原型充当了“几何桥梁”，统一了这两个空间中的学习目标。在推理阶段，一个综合评分用于衡量嵌入与这个学习到的流形的偏差。在具有挑战性的跨数据集和跨伪造类型基准测试中，我们的方法在仅使用真实数据的训练环境下展现了出色的泛化能力，表明混合曲率表示为深度伪造检测提供了一种有效且数据效率高的解决方案。