【AAAI2022】对偶对比学习在人脸伪造检测中的应用

随着各种人脸操作技术的出现，人脸伪造检测因其安全问题而受到越来越多的关注。以往的研究一直将人脸伪造检测作为一种基于交叉熵损失的分类问题，强调的是类别层面的差异，而不是真实人脸和假人脸之间的本质差异，限制了模型在不可见领域的泛化。为了解决这一问题，我们提出了一种新的人脸伪造检测框架，即对偶对比学习(Dual contrast Learning, DCL)，该框架专门构造正、负成对数据，并在不同粒度上进行设计的对比学习来学习广义特征表示。具体来说，结合硬样本选择策略，首先提出了实例间对比学习(Inter-ICL)，通过特别构造实例对来促进与任务相关的判别特征学习。此外，为了进一步探讨这些本质差异，引入了实例内对比学习(Intra-Instance contrast Learning，简称Intra-ICL)，通过构建实例内的局部区域对来关注伪造面中普遍存在的局部内容不一致性。在几个数据集上的广泛实验和可视化显示了我们的方法相对于最先进的对比方法手的泛化性。

https://www.zhuanzhi.ai/paper/9504f20a4c0eca214b2c43dcef342206