文章目录
- 动机及其贡献
-
- 动机
- 贡献
- 方法
-
- 实验设置
-
- Model
- Dataset
- Implementation Details
- Evaluation Metrics
- 分析
- 整体网络框架
-
- MFA：
- SFS
- WCS
- MI
- 实验
-
- 交叉实验
- 消融实验
- 人为评估
动机及其贡献
动机
- 现有方法只提供预测结果，而没有提供直观和令人信服的解释。
- 有些方法已经使用预训练好的MLLM来获得深度伪造检测的可解释性，但存在一定的局限性。（对其特定于深度伪造检测的能力了解不足，以及缺乏有效的策略来提高其性能。）
贡献
- 研究MLLM用于深度伪造检测的内在能力：是第一个系统地评估MLLM在深度伪造检测方面的内在能力的人。发现MLLM对不同的伪造特征具有不同的鉴别能力。
- 通过设计的线性调整增强MLLM的可解释性：基于MLLM的已识别优势，对其进行微调，以生成最“熟悉”的伪造特征的解释，并放弃那些他们“不熟悉”的，从而提高了他们准确检测和令人信服地解释深度伪造的能力。
- 对于MLLM显示出局限性的领域，整合了EDD（external dedicated detectors，EDDs）来补充模型的弱点，能够利用MLLM和EDD的优势来实现更好的检测系统。
方法
发布者：admin，转转请注明出处：http://www.yc00.com/web/1754772715a5200268.html
评论列表（0条）