Más Allá del Conocimiento Previo sobre Falsificación: Minando Pistas Críticas para la Detección General de Falsificaciones Faciales

La detección de falsificaciones faciales es esencial en la lucha contra ataques maliciosos digitales a la cara. Los métodos anteriores dependen principalmente del conocimiento experto previo para capturar pistas específicas de falsificación, como patrones de ruido, límites de fusión y artefactos de frecuencia. Sin embargo, estos métodos tienden a quedar atrapados en óptimos locales, lo que resulta en una capacidad de robustez y generalización limitada. Para abordar estos problemas, proponemos un nuevo marco de Minería Crítica de Falsificación (CFM), que puede ensamblarse de manera flexible con varias arquitecturas para mejorar su rendimiento de generalización y robustez. Específicamente, primero construimos un triplete de alta precisión y suprimimos trazas de falsificación específicas mediante una augmentación de datos agnóstica al conocimiento previo. Posteriormente, proponemos un prototipo de aprendizaje de relación de alta precisión para extraer información crítica en falsificaciones a través de pérdidas de similaridad a nivel de instancia y local. Además, diseñamos un nuevo controlador de aprendizaje progresivo para guiar al modelo a centrarse en los componentes principales de características, permitiéndole aprender características críticas de falsificación de una manera de grueso a fino. El método propuesto logra un rendimiento de detección de falsificaciones de vanguardia en diversas configuraciones de evaluación desafiantes.