单模态生成的多模态深度伪造检测算法

跨压缩率更稳健

将单一视觉模态特征化为三类互补特征，并通过对比学习对齐，提升跨压缩率场景下的检测泛化能力，无需额外多模态数据。

Ching-Yi, Lai · Jian, Chihyu · Pei-Cheng, Chuang · Chia-Ming, Lee · Hsu, Chihchung · Hsu, Chiouting · Chia-Wen, Lin

International Journal of Computer Vision 2026

技术优势

无需额外多模态数据

仅用单视觉模态生成多模态特征，避免了昂贵的数据采集与标注。

跨压缩率更稳健

通过跨质量相似性学习增强特征在压缩率变化下的鲁棒性。

特征关系可解释

通过显式对齐提供特征间关系的可解释洞察。

应用场景

• 深度伪造检测：提升跨压缩率检测准确率，替代现有单模态方法。
• 社交媒体内容审核：适应社交平台不同压缩场景，减少漏检和误报。
• 媒体取证：为取证提供可靠的跨压缩率检测结果。
• 生物特征安全：增强生物特征认证系统对伪造面部的鲁棒性。