Key points are not available for this paper at this time.
تتناول هذه البحث التحدي المتمثل في تطوير كاشف مزيّف عالمي يمكنه تحديد الصور المزيفة غير المرئية بفعالية على الرغم من البيانات التدريبية المحدودة. تعتمد النماذج القائمة على التردد الموجودة على العيوب المستويات الترددية التي تم إدخالها أثناء عملية التمحور في خطوط أنابيب GAN للكشف عن التزوير. ومع ذلك، أدت التطورات السريعة في تقنية التصنيع إلى ظهور عيوب محددة لكل نموذج توليدي. على هذا النحو، أظهرت هذه الكواشف نقصًا في الكفاءة في تعلم مجال التردد ومييلها إلى الإفراط في التكيف مع العيوب الموجودة في بيانات التدريب، مما يؤدي إلى أداء دون المستوى الأمثل على المصادر غير المرئية. لمعالجة هذه المشكلة، نقدم نهجًا جديدًا قائمًا على التردد يُدعى FreqNet، يركز على تعلم مجال التردد، ومصمم خصيصًا لتعزيز القابلية للتعميم لكواشف المزيّفات. إن طريقتنا تجبر الكاشف على التركيز المستمر على المعلومات عالية التردد، مستغلة تمثيل البيّنات عالية التردد عبر الأبعاد المكانية وchannel. بالإضافة إلى ذلك، ندمج وحدة تعلم بسيطة لمجال التردد لتعلم البيّنات غير المعتمدة على المصدر. ويتضمن ذلك طبقات تلافيف تطبق على كل من طيف الطور وطيف السعة بين تحويل فورييه السريع (FFT) وتحويل فورييه السريع المعكوس (iFFT). تظهر التجارب الواسعة التي تشمل 17 نموذجًا من GAN فعالية طريقتنا المقترحة، مظهرة أداءً رائدًا (+9.8%) بينما تتطلب عددًا أقل من المعلمات. الكود متاح على https://github.com/chuangchuangtan/FreqNet-DeepfakeDetection.
درس تان وآخرون (مون) هذا السؤال.