【DCL】Dual Contrastive Learning for General Face Forgery Detection
文章目录
- Dual Contrastive Learning for General Face Forgery Detection
- key points:
- 贡献
- 方法
- 数据视图生成
- 对比学习架构
- 实例间对比学习
- 实例内对比学习
- 总损失函数
- 实验
- 实验细节
- 定量结果
- 跨数据集评估
- 跨操作评估
- 消融实验
- 可视化
Dual Contrastive Learning for General Face Forgery Detection
会议：AAAI 2022
作者：
code：https://github.com/Tencent/TFace.git
key points:
以前聚焦——人脸伪造检测——基于交叉熵损失的分类问题【强调类别水平的差异，而不是真假人脸之间的本质差异，限制了模型在未知领域的泛化】
本文提出了一种新的人脸伪造检测框架，称为双重对比学习(Dual contrast Learning, DCL)，该框架专门构建正、负成对数据，并在不同粒度上进行设计对比学习，以学习广义特征表示
首次提出了实例间对比学习(Inter-ICL)，结合硬样本选择策略，通过构建