DistilDIRE: A Small, Fast, Cheap and Lightweight Diffusion Synthesized Deepfake Detection

近年来，扩散生成的图像大量涌现，给当前的检测技术带来了独特的挑战。尽管识别这些图像的任务属于二元分类，看似简单，但采用“重构再比较”的技术时计算负载很大。这种方法被称为DIRE（Diffusion Reconstruction Error），不仅可以识别扩散生成的图像，还可以检测GAN生成的图像，凸显了该技术的广泛适用性。为了解决计算挑战并提高效率，我们提出了一种方法，即提取扩散模型中嵌入的知识，开发快速的深度伪造检测模型。我们的方法旨在创建一个小型、快速、廉价、轻量级的扩散合成深度伪造检测器，保持强大的性能，同时显著降低操作需求。根据我们的实验结果，我们的方法在保持性能的同时，推断速度比现有的DIRE框架快3.2倍。这一进展不仅增强了在实际环境中部署这些系统的实用性，而且为未来利用扩散模型知识的研究努力铺平了道路。

本论文旨在解决检测深度伪造图像的问题，并提出了一种新的方法来提高检测效率。

该论文提出了一种将扩散模型知识提炼到深度学习模型中的方法，以实现快速的深度伪造检测。

该方法在保持性能的同时，比现有的DIRE框架具有3.2倍的推理速度，实验结果表明其在检测扩散生成的图像和GAN生成的图像方面具有广泛的适用性。

最近的相关研究包括使用GAN来生成深度伪造图像，并提出了一些基于深度学习的检测方法，如使用对抗性训练和基于图像和视频的特征分析。