Generalized Source Tracing: Detecting Novel Audio Deepfake Algorithm with Real Emphasis and Fake Dispersion Strategy

随着深度伪造音频的普及，迫切需要研究它们的归因。目前的源追踪方法可以有效区分分布内（ID）类别。然而，深度伪造算法的快速演进对准确识别分布外（OOD）新型深度伪造算法构成了重大挑战。在本文中，我们提出了真实强调和虚假分散（REFD）策略用于音频深度伪造算法识别，证明了其在区分ID样本的同时识别OOD样本方面的有效性。为了有效地检测OOD，我们首先探讨了当前的后续OOD方法，并提出了NSD，一种新的OOD方法，通过同时考虑特征和logits分数的相似性来识别新的深度伪造算法。REFD在音频深度伪造检测挑战2023 Track3中以单一系统的形式实现了86.83%的F1分数，展示了其最先进的性能。

本论文旨在解决深度伪造音频的溯源问题，特别是如何准确识别新型深度伪造算法的问题。

本文提出了一种名为“Real Emphasis and Fake Dispersion”（REFD）的策略，用于音频深度伪造算法的识别。同时，还提出了一种新的识别新型深度伪造算法的方法NSD，通过考虑特征和logits分数的相似性来实现。

REFD在Audio Deepfake Detection Challenge 2023 Track3中表现出了卓越的性能，单系统的F1得分为86.83%。实验使用了哪些数据集和开源代码未提及。

在深度伪造领域，近期的相关研究包括：《Deepfake Video Detection Using Recurrent Neural Networks》、《Deepfake Detection Using Attentional Adversarial Imitation Learning》等。