数字时代Deepfake造假技术已达到肉眼难辨的程度，传统AI检测模型仅通过人脸全局特征识别真伪，易因关注主体身份而忽略细微的数字合成痕迹，存在明显的检测盲点。

为此研究提出IDCNet框架，通过拆分全局内容与局部细节视角实现“分而治之”检测，通过双向知识传递实现全局语义知识与局部细节知识的深度互补与协同增强，使两条支路在保持各自表征优势的同时，互相学习对方的有效特征。此外，该方法还能以特征对齐方式即插即用地提升现有检测模型；实验证实该框架应对14种造假手段的表现远超当前顶尖技术，也证明精细化、分视角识别是Deepfake攻防的制胜关键。该成果由本重点实验室完成，实验室博士生王志远为第一作者撰写，陈雁翔教授为通讯作者。

论文简介：

论文标题：IDCNet: Image Decomposition and Cross-view Distillation for Generalizable Deepfake Detection

论文作者：Zhiyuan Wang, Yanxiang Chen, Yuanzhi Yao, Meng Han, Wenpeng Xing, Meng Li

论文链接：https://ieeexplore.ieee.org/abstract/document/11098842

论文概述：

图1：IDCNet模型图

现有的深度伪造检测方法大多以整张人脸图像作为输入，由于表征偏差以及卷积神经网络特征聚合过程中的信息丢失，这类方法对局部伪造痕迹的检测灵敏度受限。针对这些不足，本文提出IDCNet，一种基于图像分解与跨视角蒸馏的新型深度伪造检测框架。本文核心思路在于：将图像分解为互补视图(全局内容图:保留原图的颜色、明暗、面部结构等整体信息, 局部细节图: 专门提取边缘、纹理、高频痕迹等局部信息)，能够分别对全局与局部伪造痕迹进行专项处理，而跨视角蒸馏则可实现二者特征的相互增强。具体而言，该框架采用轻量级U-Net生成器，结合双目标机制将输入图像分解为全局内容视角与局部细节视角，并通过重构损失与分类损失进行优化。随后运用跨视角蒸馏策略，强化不同视角间的互补特征学习。此外，为在不改动现有检测模型结构的前提下将局部伪影信息融入其中，本文提出一种特征对齐方法。在14种伪造方法上开展的大量实验验证了所提方法的有效性，在CDFV2数据集上相比当前最优方法，AUC指标最高提升4.4%。

该成果发表于信息安全与取证领域顶级期刊IEEE Transactions on Information Forensics and Security（TIFS）——该刊注重信息取证、生物特征识别及监控技术的科学性与工程实践融合，采用严格的双盲同行评审，是国际上公认的高水平学术平台，这充分体现了入选论文较高的学术水平和国际认可度。

情感计算与先进智能机器安徽省重点实验室

2026年5月16日