arXiv cs.AI· Jianqiao Cui, Haoxian Zhu, Hanbiao Meng, Yanghao Zhang·· 3 天前AI 评分24
自适应压缩与定向扰动：面向泛化音频深伪检测的统一框架
Adaptive Compression and Targeted Perturbation: A Unified Framework for Generalized Audio Deepfake Detection
AI 导读
研究者提出统一音频深伪检测框架，结合自适应音频特征集成（AAFI）模块与 Mel-Band 对抗扰动（Mel-BAP）策略，在 ADD 2022、FakeOrReal 和 In-the-Wild 上基于 Whisper-small 实现 1.51% 的平均 EER。
正文 · AI 翻译
摘要：现有的音频深度伪造检测（ADD）方法往往泛化能力有限，因为固定的瓶颈架构无法适应各类欺骗伪影中固有的异构信息密度。此外，标准的数据增强常常导致稳健性与准确性之间出现病态的权衡。本文提出一个统一的 ADD 框架来应对这些挑战。我们的方法集成了：(1) 自适应音频特征集成（AAFI）模块，通过压缩池和随机探索机制动态选择最优潜在维度，确保对多种动态攻击类型具有灵活的表示能力；(2) Mel 频带对抗扰动（Mel-BAP）策略，在梅尔频谱图域中施加有针对性的正则化，促使模型学习不变的决策边界。在包括 ADD 2022、FakeOrReal 和 In-the-Wild 等基准上的大量评估表明，我们基于 Whisper-small 的模型达到了 1.51% 的最优平均等错误率（EER）。与现有的 SOTA 模型（如 30 亿参数的 Resemble-Detect-3B-Omni）相比，我们的框架将参数量最多减少 91.6%，同时平均 EER 提升 60.7%。在另一项跨语言评估中，Whisper-base 配置在五种未见语言上取得了 3.91-5.65% 的 EER。该框架还对真实世界的声学失真保持很强的韧性。这项工作为增强音频 Web 生态系统的信任与安全提供了一种可扩展且高效的“插件式”解决方案。
| Comments: | 10 页，1 张图，被 NeurIPS 2026 接收 |
| Subjects: | 声音（cs.SD）；人工智能（cs.AI） |
| Cite as: | arXiv:2610.16049 [cs.SD] |
| （或 arXiv:2610.16049v1 [cs.SD] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.16049 arXiv 颁发的 DOI，通过 DataCite（待注册） |
Submission history
来自：Jianqiao Cui [查看邮箱]
[v1]
2026 年 10 月 12 日星期一 01:40:48 UTC（873 KB）
来源：arXiv cs.AI · arxiv.org