文章核心观点 - 提出一种名为FractalForensics的主动深度伪造检测与定位方法，该方法基于分形水印技术 [5] - 该方法旨在解决现有水印技术在鲁棒性、伪造定位能力以及计算资源消耗方面存在的问题 [4][8] - 通过参数化的水印生成和加密流程，结合卷积神经网络模型，实现了在检测Deepfake的同时完成伪造区域的精确定位 [5][9][11] 工作动机 - 现有针对深度伪造的主动防御研究，如鲁棒水印和半脆弱水印，在检测任务上取得进展但仍存在局限 [4] - 当前技术普遍面临鲁棒性不稳定、无法同时进行鉴伪和定位、以及因存储ground-truth而大量消耗计算资源的问题 [8] 工作介绍 - 提出的水印以矩阵形式出现，区别于以往的水印向量，以实现伪造定位功能 [5] - 设计了一个参数化的水印生成和加密流程，以标准希尔伯特曲线为例，并定义了旋转、镜像、次序改变三个变体参数，共可产生144种分形变体 [6][7] - 构建混沌加密系统对分形矩阵进行加密，加密后的值为0到9的一位十进制数字，并转化为四位二进制值以提升容错率 [7][9] - 水印嵌入与提取基于卷积神经网络，采用entry-to-patch策略将图像划分为32x32的patch，以位置对应方式嵌入水印 [9][10] - 通过控制卷积核大小远小于patch尺寸，确保各patch间水印互不影响，篡改区域会丢失水印从而实现检测与定位 [11] 实验结果 - 经过针对Jpeg压缩的对抗训练后，该方法在面对常见图像处理时保持了最优的鲁棒性，在面对Deepfake伪造时展现了合理的脆弱性 [13] - 在CelebA-HQ数据集上的鲁棒性评估显示，其平均鲁棒性达到99.73%（patch）和99.91%（bit），显著高于对比模型如WaterLo（73.10%）和SepMark（92.39%） [14] - 在Deepfake脆弱性评估中，面对多种伪造方法（如SimSwap、InfoSwap等），该方法平均脆弱性为39.27% [15] - 在Deepfake检测的AUC效果对比中，该方法对多种伪造技术的检测效果均达到99.99%，平均效果为99.99%，优于所有被动检测的SOTA工作 [16][17] - 伪造定位效果显示，该方法能准确聚焦于被篡改区域，face swapping方法定位区域主要在人脸内部，face reenactment方法的定位区域分布更离散 [18][20][21]