深大与辽经研团队提出全防御框架，有效检测和追踪深度伪造源

快速阅读: 辽宁师范大学与辽宁对外经贸学院研究团队提出全方位防御框架FDF，结合被动检测和主动防御，有效应对深度伪造技术威胁，提升版权保护和内容真实性验证能力。

深度伪造技术对政治、新闻业和娱乐业等多个领域构成严重威胁，损害个人隐私和社会对数字内容的信任。现有的深度伪造防御方法主要集中在被动检测（依赖神经网络识别篡改痕迹）或主动防御（采用主动干扰或取证手段），但很少有方法将两者结合。这种局限性导致了全面保护的缺口——被动检测在对抗攻击和微妙操纵面前力不从心，而主动防御一旦水印或可追踪信息被移除便失去效力。

为解决这一问题，辽宁师范大学计算机科学与人工智能学院及辽宁对外经贸学院管理学院的研究团队开展了一项名为“全方位防御框架：多层级深度伪造检测与来源追踪”的研究。该研究提出了一种基于跨域特征融合和分离水印（SepMark）的全方位防御框架（FDF），集成了被动检测和主动防御功能，以实现版权保护和深度伪造检测的双重目标。

**主动防御模块**：由一个编码器和两个分离解码器组成。编码器将水印嵌入到受保护的人脸图像中；鲁棒解码器能在12种常见攻击（如JPEG压缩、高斯模糊）下可靠提取水印，用于来源追踪和版权验证；而半鲁棒解码器在深度伪造或水印移除攻击下无法提取水印（导致比特误码率接近50%）。

**被动检测模块**：融合空间域和频率域特征，当水印不可检测时，区分深度伪造内容和水印移除攻击。通过随机数据增强（旋转、翻转、噪声添加）提高泛化能力，利用卷积神经网络（CNN）提取空间域低维特征，利用离散余弦变换（DCT）提取频率域特征，并在不同域间交换“重要”特征通道以提高检测精度。

在基准数据集（FaceForensics++、Celeb-DF、DFDC、CNN/AI生成图像数据集）上的广泛实验验证了FDF的有效性：在FaceForensics++（RAW版本）上，它实现了98.69%的检测准确率（ACC）和99.06%的ROC曲线下面积（AUC），优于Xception和MCX-API等方法。在重压缩（C40版本）下，其检测准确率仍保持在93.60%，ROC曲线下面积为96.55%，显示出对常见数据处理的鲁棒性。在跨数据集测试中，它在Celeb-DF上的AUC达到77.51%，在AI生成图像上的AUC为77.18%，表现出强大的泛化能力。主动模块确保了水印图像的高质量视觉效果，峰值信噪比（PSNR）为44.29 dB，结构相似性指数（SSIM）为0.9672。

论文《全方位防御框架：多层级深度伪造检测与来源追踪》由施辉、王贵斌、李雅妮、祁茹佳撰写。论文全文链接：

https://doi.org/10.1631/FITEE.2401012

(以上内容均由Ai生成)