Face-D(^2)CL：デュアル継続学習によるマルチドメイン相乗表現での顔面DeepFake検出
arXiv cs.CV / 2026/4/10
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、改ざん技術が進化する状況における実世界の継続学習を対象とした顔面DeepFake検出フレームワーク「Face-D(^2)CL」を提案する。
- 多ドメイン相乗表現スキームにより、空間領域と周波数領域の手掛かりを融合して特徴表現を強化し、多様な改ざん痕跡を捉える。
- Elastic Weight Consolidation（EWC）と、アダプタ更新間の干渉を防ぐOrthogonal Gradient Constraint（OGC）を組み合わせたデュアル継続学習戦略により、壊滅的忘却を抑制する。具体的には、EWCは「本物」と「偽物」サンプルに対するパラメータ重要度の識別に合わせて調整される。
- 過去データのリプレイを回避しつつ、新たな改ざんパラダイムに対する迅速な適応性と、忘却を防ぐ安定性のバランスを維持する。
- 実験では、既存のSOTAに対して性能向上が報告されており、平均検出誤り率で60.7%の相対的削減、未見の改ざんドメインにおける平均AUCで7.9%の向上が示されている。
