FreqBlender: Enhancing DeepFake Detection by Blending Frequency Knowledge

生成合成的假脸，也称为伪造假脸，是提高DeepFake检测泛化性的有效方法。现有方法通常通过在颜色空间中混合真实或假的脸来生成这些脸。虽然这些方法已经显示出了希望，但它们忽视了伪造脸中频率分布的模拟，从而限制了深度中通用伪造痕迹的学习。为了解决这个问题，本文介绍了一种新方法FreqBlender，它可以通过混合频率知识生成伪造假脸。具体而言，我们研究了主要的频率组件，并提出了一个频率解析网络来自适应地分区与伪造痕迹相关的频率组件。然后我们将这个来自假脸的频率知识混合到真实脸中来生成伪造假脸。由于没有频率组件的基准，我们通过利用不同频率知识之间的内在相关性来描述专门的训练策略，以指导学习过程。实验结果证明了我们的方法在增强DeepFake检测方面的有效性，使其成为其他方法的潜在即插即用策略。

本篇论文旨在解决DeepFake检测中存在的过拟合问题，提出了一种生成伪造人脸的方法来提高DeepFake检测的泛化性能。

该方法通过混合真实人脸和伪造人脸的频率知识来生成伪造人脸，以此提高DeepFake检测的泛化性能。

论文提出了一种新的生成伪造人脸的方法FreqBlender，并设计了一种特殊的训练策略来指导学习过程。实验结果表明该方法在提高DeepFake检测的泛化性能方面具有显著效果。

近期相关研究包括：《Deep Learning for Deepfakes Creation and Detection》、《Exposing DeepFake Videos By Detecting Face Warping Artifacts》等。