计算机科学与探索

作者：胡驷驹, 芦天亮, 彭舒凡, 杨刚, 尹浩然

单位：中国人民公安大学 信息网络安全学院，北京 100038

关键词：深度伪造,单中心损失,双流网络,特征融合,频域特征

基金：公安部科技计划项目（2023JSM09）；公安行业大模型研究与应用实验室技术研发项目（2024300050036）。

深度伪造技术正变得越来越流行，引发社会对信息真实性的广泛质疑。从特征和学习层面考虑限制检测器泛化的因素：基于CNN的检测器往往过度拟合特定方法的颜色纹理；由于伪造样本之间的分布差异远大于真实样本之间的分布差异，应当对真实样本与伪造样本施加不同的约束。因此，为了优化人脸伪造检测模型，从多个维度展开创新，设计了基于单中心损失的双流网络（SCLTSNet）检测框架。在特征提取环节，引入多频段统计模块，提取图像的频域特征，以此作为RGB特征的有力补充。在特征融合环节，提出跨模态注意力混合模块和多尺度块特征融合模块，深入挖掘不同特征层级中，频域特征和RGB特征的相关性，并实现有效融合。从模型训练角度出发，基于异常检测的思想，引入单中心损失，通过放宽对伪造样本的约束，提升模型的泛化性能。对提出的方法在FF++、DFD、CDF等基准数据集上进行了综合评估，实验结果表明，SCLTSNet在FF++高压缩数据集上表现出色，准确率（ACC）指标和ROC曲线下面积（AUC）指标分别达到91.18%和94.57%。同时，在常见扰动的鲁棒性实验中，其AUC分数下降幅度低于其他模型，证明了该模型具有一定的鲁棒性。此外，在FF++数据集内四种不同伪造方式的子数据集以及跨数据集实验中，SCLTSNet的平均性能指标均优于当前先进方法，表明其具有良好的泛化性。消融实验进一步证实，该框架能够在不显著增加模型复杂度的前提下有效提升检测性能，体现了其轻量化设计的优势。

来源：2026年第1期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2026年第1期