Generalized Deepfake Attribution

随着生成对抗网络（GAN）的引入，虚假媒体创作的格局发生了变化。随着生成技术的快速发展，虚假媒体的创作数量不断增加，这也带来了检测虚假媒体的新挑战。GAN的一个基本特征是对参数初始化（即种子）的敏感性。在训练过程中使用的每个不同种子都会导致创建独特的模型实例，即使采用相同的架构，也会产生不同的图像输出。这意味着即使我们只有一个GAN架构，它也可以根据所使用的种子产生无数种GAN模型的变化。现有的深度伪造归因方法只有在训练过程中见过特定的GAN模型时才能很好地工作。如果GAN架构使用不同的种子进行重新训练，这些方法就会难以归因伪造。这种种子依赖性问题使得使用现有方法难以归因深度伪造。我们提出了一个广义的深度伪造归因网络（GDA-Net），可以将假图像归因到它们所属的GAN架构，即使它们是从使用不同种子（跨种子）重新训练的GAN架构或现有GAN模型的微调版本中生成的。对GAN模型的跨种子和微调数据进行的大量实验表明，我们的方法与现有方法相比非常有效。我们提供了源代码来验证我们的结果。

论文旨在解决GAN模型的种子依赖性问题，即如何将生成的假图像归属于其相应的GAN模型，即使使用了不同的种子或对现有模型进行了微调。

论文提出了一种广义的深度伪造归属网络（GDA-Net），可以将假图像归属于其相应的GAN模型，即使使用了不同的种子或对现有模型进行了微调。

论文使用了交叉种子和微调数据集进行广泛的实验，证明了GDA-Net相对于现有方法的高效性。论文提供了源代码以验证结果。

在这个领域中，最近的相关研究包括：《Deepfake Video Detection Using Recurrent Neural Networks》、《Exposing DeepFake Videos By Detecting Face Warping Artifacts》等。