近日，我校信息学院纪荣嵘教授团队在深度伪造检测领域取得新进展，相关研究成果以“Continual Face Forgery Detection via Historical Distribution Preserving”为题发表在International Journal of Computer Vision（DOI：https://doi.org/10.1007/s11263-024-02160-1 ）。

近年来，面部伪造技术迅速发展，带来了严重的安全威胁。现有的面部伪造检测方法试图学习虽然具有广泛适应性的特征，但在实际应用中仍然存在不足。此外，在历史训练数据上微调这些方法既耗时又需要大量存储资源。本文聚焦于一个新颖且具有挑战性的问题：持续性面部伪造检测（Continual Face Forgery Detection，CFFD），其目标是有效地从新的伪造攻击中学习，而不忘记之前的伪造攻击。

本文提出了一种历史分布保留（Historical Distribution Preserving，HDP）框架，用于保留和维护历史面部的分布。为此，本文使用通用对抗扰动（Universal Adversarial Perturbation，UAP）来模拟历史伪造分布，并利用知识蒸馏技术维持不同模型之间真实面部分布的变化。在训练新的数据的时候，只需要将之前保存的扰动特征和真实数据结合，就可以恢复出之前的伪造历史分布，共同训练后可以大大增强模型的抗遗忘性。本文还构建了一个新的CFFD基准，并设计了三种评估协议。广泛实验表明，HDP方法在这些基准上表现优于现有的最先进方法。除此之外和传统需要存储几千个样本的方法相比，本文的方法每一轮只需存储一张对抗扰动就可以提升17%的抗遗忘率。

该论文第一作者是博士生孙可，通讯作者是纪荣嵘教授，由陈燊（腾讯优图）、姚太平（腾讯优图）、孙晓帅教授和丁守鸿（腾讯优图）等合作完成。该研究工作得到新一代人工智能国家科技重大专项（No. 2022ZD0118202），国家杰出青年科学基金（No.62025603），国家自然科学基金（No.U21B2037、No.U22B2051、No.U23A20383、No.62176222、No.62176223、No.62176226、No.62072386、No.62072387、No.62072389、No.62002305、No.62272401）等项目的支持。

论文链接：https://doi.org/10.1007/s11263-024-02160-1

代码链接：https://github.com/skJack/HDP

（信息学院）