DeepfakeUCL：基于无监督对比学习的深度假检测
重磅干货，第一时间送达
小黑导读
论文是学术研究的精华和未来发展的明灯。小黑决心每天为大家带来经典或者最新论文的解读和分享，旨在帮助各位读者快速了解论文内容。个人能力有限，理解难免出现偏差，建议对文章内容感兴趣的读者，一定要下载原文，了解具体内容。
摘要
人脸深度假检测最近取得了令人印象深刻的结果。几乎所有现有的用于人脸深度假检测的深度学习技术都是完全监督的，并且在训练过程中需要标注。本文设计了一种新的基于无监督对比学习的深度假检测方法。作者首先生成一个图像的两个不同的转换版本，并将它们输入两个顺序的子网络，即编码器和投影头。无监督训练是通过最大限度地提高投影头输出的对应度来实现的。为了评估作者的无监督方法的检测性能，作者进一步使用无监督特征训练一个有效的线性分类网络。大量的实验表明，作者的无监督学习方法能够在数据集内部和内部设置中实现与最先进的监督技术相比较的检测性能。作者也为作者的方法进行消融研究。
在三个公开数据集上的大量实验验证了作者的无监督对比学习方法。在数据集内部和数据集内部设置方面，它的性能可与最先进的监督学习方法和非深度学习方法相媲美。作者也为作者的方法进行消融研究。作者的主要贡献如下。
作者提出了一种无监督的对比学习方法的深度假检测。
作者进行了各种实验来测试作者的方法，并将其与最先进的深度假检测技术进行比较。
框架结构
作者提出的方法的概述。它首先将图像预处理为以脸为中心的图像(Section III-A)，然后使用增强法将其转换为两个版本。转换后的图像对进一步通过由编码器(例外作为骨干)和投影头(线性层堆栈)组成的网络依次馈入，以达到最大的一致性。经过无监督学习，一个简单的线性分类器训练的特征，以分类图像的兴趣为真实或虚假。左:无监督对比学习，右:线性分类。
实验结果
从三个数据集(facefforensics ++， UADFV和Celeb-DF)中经过数据预处理(人脸定位，裁剪和调整大小)后的人脸图像。
在相同和不同的数据集上训练和测试模型的ROC曲线。需要注意的是，图中的F、U和C分别代表facefforensics ++、UADFV和Celeb-DF。第一对方括号指定模型训练和测试的数据集。例如，(F, U)表示模型在facefforensics ++上进行训练，在UADFV上进行测试
结论
作者提出了一种无监督的对比学习方法，用于深度假检测。与大多数现有的完全监督深度假检测技术相比，作者的方法以无监督的方式学习可分离特征。实验证明了作者的方法的有效性，并显示了作者的方法在集内和集间设置的先进深度假检测技术的可比性能。作者也对所提出的方法进行了消融研究。在未来的工作中，将时间信息纳入提议的框架以获得更可靠的结果将是有趣的。
论文链接：https://arxiv.org/pdf/2104.11507.pdf
每日坚持论文分享不易，如果喜欢我们的内容，希望可以推荐或者转发给周围的同学。