可解释的 Deepfake 检测，具有强大的特征增强和基于证据的解释优化

可解释的深度造假检测通过要求模型不仅能够预测真实性，而且还能够提供可解释的理由，从而扩展了二元分类。这种扩大的范围在实践中至关重要，法医分析师等用户需要深入了解检测背后的基本原理。尽管取得了进步，但当前的方法仍存在两个关键缺陷：（1）图像质量容易下降：低质量样本的检测精度直线下降，而幼稚的增强策略可能会导致特征漂移并随着多样性的扩展而损害性能。 (2)事实上有缺陷的解释：解释模型可能会忽略操纵证据或产生不相关细节的幻觉，从而破坏可解释性。为了解决这个问题，我们提出了一个具有两项创新的框架。对于鲁棒的深度伪造检测，我们引入了特征鲁棒增强，其中包括多样化的退化感知增强策略，以及与均值教师架构相结合的监督对比学习模式，该架构通过一致性约束来稳定特征以抵抗增强。为了进行解释，我们设计了一种基于证据的偏好优化过程，引导模型通过从选择的拒绝解释对中学习来优先考虑真实的操纵痕迹，其中拒绝的样本是通过证据遗漏或不相关的信息注入构建的。所提出的方法在 ACM Multimedia 2026 可解释的 Deepfake 检测挑战赛中获得第一名。代码可在 https://github.com/oceanflowlab/EDD.git 获取。