通过多视图结构学习进行不确定性感知的 Deepfake 检测

安全关键的生物识别和取证应用需要准确的预测和可靠的置信度估计，特别是在分布变化的情况下。对于深度伪造检测来说，这一挑战尤其严峻，因为基于基础模型的检测器经常对分布外操作表现出过于自信的预测，这限制了它们对操作部署的适用性。我们提出了一种不确定性感知的深度伪造检测框架，该框架通过互补证据来源的不一致来识别操纵行为。该框架集成了三个流：基于自适应 CLIP 编码器的视觉流、通过可微分约束对面部属性之间的一致性进行建模的语义流，以及捕获语义和取证特征之间的类依赖模式的结构流。为了有效地结合这些信号，我们引入了分支间分歧校准（IBDC），这是一种分歧感知的不确定性建模机制，它将预测不确定性与证据流之间的冲突联系起来。使用 FaceForensics++ 作为训练源的广泛跨数据集实验表明，所提出的框架在多个分布外基准上实现了最先进的泛化，同时持续改进了校准和选择性预测性能。这些结果表明，将补充证据与分歧感知的不确定性相结合，为分布转移下值得信赖且经过良好校准的深度伪造检测奠定了坚实的基础。