AAAIDec, 2021

通用人脸伪造检测的对比学习

PDF
TL;DR文章提出了一种名为 Dual Contrastive Learning (DCL) 的新颖人脸伪造检测框架，该框架结合了硬样本选择策略和不同粒度的对比学习，并通过构建正负对数据从而学习通用特征表示。实验结果表明了我们方法的泛化性能超越了现有技术水平。
face forgery detectiondual contrastive learninginter-instance contrastive learningintra-instance contrastive learninggeneralization
发现论文，激发创造
  • 对比多人脸鉴定：一种用于多人脸伪造检测的端到端双粒度对比学习方法

    本文提出了一种新的端到端的框架 Contrastive Multi-FaceForensics (COMICS)，通过双粒度对比学习方法，在多脸伪造检测方面取得了显著的性能提升，并显示了与其他对手方法相比较大的潜力，适用于多种架构。

    Aug, 2023

  • 基于聚类的对比学习，以提高人脸表征

    本文提出了一种名为 CCL 的基于聚类的对比学习方法，利用聚类得到的标签和视频约束来学习具有区分性的人脸特征，展示了该方法在视频人脸聚类的表征学习任务上的显著成果。

    Apr, 2020

  • 双重对比学习：基于标签感知数据增强的文本分类

    本研究利用 DualCL 框架将分类器参数作为增广样本，与输入样本结合运用对比学习方法，在五个基准文本分类数据集上表现出较高的分类准确性，并证实了 DualCL 框架在学习具有判别性的表示方面的能力。

    Jan, 2022

  • 时空表示的双重对比学习

    该论文提出了一种新的双重对比学习框架来解决背景场景偏差问题并有效地学习时空表示，实验证明在 UCF-101，HMDB-51 和 Diving-48 数据集上具有最先进的性能。

    Jul, 2022

  • 解耦对比学习

    本文提出了解决自监督对比学习中的批处理大小等参数问题的一种简单有效的基准方法（DCL），并对其进行了在多种基准测试中的复现和实时检验，最终实现了较少受亚优化超参数影响且性能不错的对比学习方法。

    Oct, 2021

  • 图变换器中的双视角交叉对比学习

    本文提出了一种名为双视角跨图对比学习（DC-GCL）的创新框架，通过增强正样本多样性和可靠性，提供了更多样化和可靠的训练输入，相较于传统的图对比学习方法，DC-GCL 能够在各种基准测试和任务中显著提高性能。

    Jun, 2024

  • 无偏差高效的自监督增量对比学习

    本文提出了一种自我监督的增量对比学习框架 (ICL)，采用增量信息 NCE 损失函数和深度强化学习率 (meta-optimization with LRL)，从而避免了必须重训练的缺点，并在不同领域的广泛实验中取得了 16.7 倍的训练加速和 16.8 倍快速收敛的竞争性结果。

    Jan, 2023

  • 对抗样本的对比学习

    本文提出了一种针对对抗性对比学习的新算法 CLAE，通过使用对抗性样本增强数据并在优化时考虑一个批次中的所有图片，能够更好地定义正负样本，充分提高自监督学习任务的性能和学习能力。

    Oct, 2020

  • 通过对比学习和无监督聚类重新思考图像伪造检测

    图像伪造检测的新方法 FOrensic ContrAstive cLustering (FOCAL) 基于对比学习和无监督聚类，通过像素级对比学习指导高级取证特征提取，使用实时无监督聚类算法将学习到的特征聚类为伪造 / 原始类别，并通过特征级连接进一步提高检测性能，对六个公共测试数据集进行广泛实验证明了 FOCAL 明显优于现有竞争算法。

    Aug, 2023

  • DFIL：利用领域不变伪造线索进行 Deepfake 增量学习

    通过增量学习和领域不变表示，以及基于多角度知识蒸馏方法的特征级和标签级正则化，我们的研究提出了一种新型增强型 deepfake 检测模型，通过选择中心和困难样本来更新回放集，并取得了 7.01 的平均遗忘率和 85.49 的平均准确率。

    Sep, 2023