Feature-robust Augmentation

新框架提升可解释深度伪造检测准确性

研究人员开发了一个新颖的框架，以提高深度伪造检测系统的准确性和可解释性。所提出的方法包括特征鲁棒增强（Feature-robust Augmentation），以在图像质量下降的情况下仍保持检测性能，以及一种监督对比学习方法来稳定特征。此外，一个证据基础的偏好优化过程（evidence-grounded preference optimization）确保解释能够突出真实的操纵痕迹，而不是无关的细节或幻觉。