摘要由 AI 生成
研究人员提出了一种名为 AdaGate-DF 的自适应门控深度伪造检测框架，旨在解决低分辨率图像与计算资源受限场景下的检测难题。该框架利用图像质量线索将样本路由至双多出口系统，使高质量输入能提前输出结果以节省算力。在 Celeb-DF 基准数据集上测试显示，该框架 AUC 达到 0.9370，优于 MaD-CoRN 和 DefakeHop++；当输入分辨率提升至 384 by 384 时，AUC 可达 0.9708。此外，模型在 FaceForensics++ 数据集上表现良好，有效应对类别不平衡问题，并在检测性能、不确定性预测与计算效率之间实现了平衡。
相关事件RELATED EVENTS
关键实体KEY ENTITIES
AdaGate-DFDefakeHop++MaD-CoRNShuffleNetV2
报道态势 · 每日报道量LANGUAGE SPLIT
实体关系
整合时间线UNIFIED TIMELINE
-
2026-09-04
Adaptive Gated Deepfake Detection for L…
Adaptive Gated Deepfake Detection for Low-Resolution and Resource-Constrained Environments
-
2026-09-07
Adaptive Gated Deepfake Detection for L…
本文提出了一种名为 AdaGate-DF 的自适应门控深度伪造检测框架，利用图像质量线索将样本路由至双多出口系统，使高质量图像提前输出以节省计算资源。研究者在 Celeb-DF 和 FaceForensics++ 两个基准数据集上进行了评…
信号强度SIGNALS
关键词热度
全部报道（2）SOURCES
Adaptive Gated Deepfake Detection for Low-Resolution and Resource-Constrained Environments
本文提出了一种名为 AdaGate-DF 的自适应门控深度伪造检测框架，利用图像质量线索将样本路由至双多出口系统，使高质量图像提前输出以节省计算资源。研究者在 Celeb-DF 和 FaceForensics++ 两个基准数据集上进行了评估，结果显示在 Celeb-DF 上该框架达到 0.9370 的 AUC，优于 MaD-CoRN 和 DefakeHop++；随着输入分辨率提升至 384 by 384，AUC 可达 0.9708。此外，该模型在 FaceForensics++ 上表现出对类别不平衡的有效性，并在检测性能、不确定性预测与计算效率之间实现了平衡。