Continual Face Forgery Detection via Historical Distribution Preserving

要約

顔偽造技術は急速に進歩しており、重大なセキュリティ上の脅威を引き起こしています。
既存の顔偽造検出方法は、一般化可能な特徴を学習しようとしていますが、実用化にはまだ達していません。
さらに、履歴トレーニング データに基づいてこれらのメソッドを微調整することは、時間とストレージの点でリソースを大量に消費します。
このペーパーでは、以前の偽造攻撃を忘れることなく、新しい偽造攻撃から効率的に学習することを目的とした継続的顔偽造検出 (CFFD) という、斬新で挑戦的な問題に焦点を当てます。
具体的には、歴史的な顔の分布を保存および保存する Historical Distribution Preserving (HDP) フレームワークを提案します。
これを達成するために、普遍的敵対的摂動 (UAP) を使用して歴史的な偽造の分布をシミュレートし、知識の蒸留を使用してさまざまなモデルにわたる本物の顔の分布の変動を維持します。
また、3 つの評価プロトコルを使用して CFFD の新しいベンチマークを構築します。
ベンチマークに関する広範な実験により、私たちの手法が最先端の競合他社よりも優れていることがわかりました。

要約(オリジナル)

Face forgery techniques have advanced rapidly and pose serious security threats. Existing face forgery detection methods try to learn generalizable features, but they still fall short of practical application. Additionally, finetuning these methods on historical training data is resource-intensive in terms of time and storage. In this paper, we focus on a novel and challenging problem: Continual Face Forgery Detection (CFFD), which aims to efficiently learn from new forgery attacks without forgetting previous ones. Specifically, we propose a Historical Distribution Preserving (HDP) framework that reserves and preserves the distributions of historical faces. To achieve this, we use universal adversarial perturbation (UAP) to simulate historical forgery distribution, and knowledge distillation to maintain the distribution variation of real faces across different models. We also construct a new benchmark for CFFD with three evaluation protocols. Our extensive experiments on the benchmarks show that our method outperforms the state-of-the-art competitors.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google