PulseAugur
中
实时 10:12:36
English(EN) Face-D(^2)CL: Multi-Domain Synergistic Representation with Dual Continual Learning for Facial DeepFake Detection

新的深度伪造检测框架Face-D(^2)CL将错误率降低了60.7%

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种名为Face-D(^2)CL的新型框架，旨在增强面部深度伪造的检测能力。该系统通过改进特征表示和减轻灾难性遗忘来解决当前模型的局限性。它通过结合真实/伪造感知弹性权重巩固（RF-EWC）和域感知正交梯度约束（D-OGC）的双持续学习机制来实现这一点。实验表明，Face-D(^2)CL的性能显著优于最先进的方法，在未见过的伪造域上将平均检测错误率降低了60.7%，并将AUC提高了7.9%。 AI

影响 增强了深度伪造检测能力，这对于信息安全和公众信任至关重要。

排序理由 详细介绍深度伪造检测新模型的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的深度伪造检测框架Face-D(^2)CL将错误率降低了60.7%

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Yushuo Zhang, Yu Cheng, Yongkang Hu, Jiuan Zhou, Jiawei Chen, Zhaoxia Yin ·

    Face-D(^2)CL: Multi-Domain Synergistic Representation with Dual Continual Learning for Facial DeepFake Detection

    arXiv:2604.08159v2 Announce Type: replace Abstract: Facial forgery techniques are advancing rapidly, posing severe threats to public trust and information security while imposing higher demands on the continual adaptation of DeepFake detection models. Although continual learning …

相关话题