arXiv cs.CL· Khalid Zaman, Melike Sah, Anuwat Chaiwongyenc, Cem Direkoglu·· 6 天前AI 评分22
量子视觉理论用于音频分类：QV-CNN 与 QV-ViT 检测深度伪造语音
Quantum Vision Theory Applied to Audio Classification for Deepfake Speech Detection
AI 导读
研究者将量子视觉（QV）理论用于深度伪造语音检测，把 STFT、Mel-spectrograms 和 MFCC 经 QV block 转换为信息波，训练 QV-CNN 与 QV-ViT。
正文 · AI 翻译
摘要：我们提出量子视觉（QV）理论，作为基于深度学习的音频分类的一种新视角，并将其应用于深度伪造语音检测。受量子物理中波粒二象性的启发，QV 理论基于这样一个理念：数据不仅可以用其可观测的坍缩形式表示，还可以表示为信息波。在传统深度学习中，模型直接在这些坍缩表示（例如图像）上进行训练。在 QV 理论中，输入首先通过 QV 模块转换为信息波，然后输入深度学习模型进行分类。与非 QV 模型相比，基于 QV 的模型在图像分类中提升了性能。如果将 QV 理论应用于语音频谱图以完成音频分类任务，会怎样？这正是所提出方法的动机与新颖之处。在这项工作中，语音信号的短时傅里叶变换（STFT）、梅尔频谱图和梅尔频率倒谱系数（MFCC）通过所提出的 QV 模块转换为信息波，并用于训练基于 QV 的卷积神经网络（QV-CNN）和基于 QV 的视觉 Transformer（QV-ViT）。我们在 ASVSpoof 数据集上进行了大量深度伪造语音分类实验。结果表明，QV-CNN 和 QV-ViT 始终优于标准 CNN 和 ViT 模型，在区分真实语音与伪造语音方面实现了更高的分类准确率和更强的鲁棒性。此外，使用 MFCC 特征的 QV-CNN 模型在 ASVspoof 数据集上取得了最佳整体性能，准确率为 94.20%，EER 为 9.04%，而使用梅尔频谱图的 QV-CNN 达到了 94.57% 的最高准确率。这些发现表明，QV 理论是一种有效且有前景的音频深度伪造检测方法，并为音频感知任务中的量子启发式学习开辟了新方向。
| 学科： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2604.08104 [cs.CL] |
| （或使用 arXiv:2604.08104v2 [cs.CL] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2604.08104 arXiv 颁发的 DOI，经由 DataCite |
提交历史
来自：Khalid Zaman [查看电子邮件]
[v1]
2026 年 4 月 9 日星期四 11:22:40 UTC（11,046 KB）
[v2]
2026 年 10 月 9 日星期五 11:56:24 UTC（9,800 KB）
来源：arXiv cs.CL · arxiv.org