双分支伪造检测网络

跨库 AUC 逼近 SOTA

同步检测与内容一致性双分支并行，跨库泛化时性能稳定超越现有方法。

Guangwei, Zhu · 黎海生 · 夏海英 · 宋树祥

Neurocomputing 2026

参数信息

AUC

98.30 %

AUC

99.11 %

技术优势

跨库泛化更强

引入解耦损失增强任务特异性，并在内容分支采用条件生成自监督学习，使特征表征更鲁棒，因此在多个数据集上超越现有方法。

音视频特征对齐更好

层级跨模态交互机制结合交叉注意力与细粒度嵌入，融合不同模态特征，使模型能捕捉细微的不一致。

应用场景

• 音视频伪造检测：识别音视频内容中的伪造痕迹，保障数字媒体可信度。
• 深度伪造防御：用于深度伪造内容检测，帮助维护公众信任。