arXiv cs.AI· Bernard Tomczyk, Agil Aghasanli, Plamen Angelov·· 11 小时前AI 评分32
UniGADD：通用生成器无关的深度伪造检测器
UniGADD: Universal Generator-Agnostic Deepfake Detector
AI 导读
UniGADD 是一种生成器无关的深度伪造检测方法，采用两阶段优化：第一阶段用对比损失从真实与已知伪造图像中学习判别性嵌入向量，第二阶段仅对真实样本强化簇间分离与簇内紧凑以提升泛化性。该方法在已知生成器上的准确率与 SOTA 方法持平，在未见过的生成器上显著优于它们。
正文 · AI 翻译
摘要：本文提出 Universal Generator-Agnostic Deepfake Detector（UniGADD），这是一种新颖的方法，采用监督学习在已知深度伪造生成器上实现高准确率，同时在先前未见过的生成器上保持稳健性能。该方法遵循两阶段优化过程。第一阶段，对比损失促使模型从真实图像和已知伪造图像中学习具有判别性的特征嵌入，从而在训练域内取得强劲性能。第二阶段，通过促进簇间分离和簇内紧凑性来精炼嵌入空间，且仅应用于真实样本。这一精炼增强了泛化能力，使该方法对未见过的深度伪造生成技术表现出更好的稳健性。UniGADD 在已知生成器上的准确率与最先进方法相当，而在未见案例上显著优于它们，展示了其可扩展性以及在对抗性内容检测中的实际适用性。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.07647 [cs.CV] |
| （或 arXiv:2611.07647v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.07647 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Agil Aghasanli [查看电子邮件]
[v1]
2026年11月5日星期四 08:34:07 UTC（2,224 KB）
来源：arXiv cs.AI · arxiv.org