AIFIND: 아티팩트 기반의 미세 정렬 해석을 통한 점진적인 얼굴 위조 탐지

AIFIND: Artifact-Aware Interpreting Fine-Grained Alignment for Incremental Face Forgery Detection

얼굴 위조 유형이 지속적으로 등장함에 따라, 점진적인 얼굴 위조 탐지(IFFD)는 매우 중요한 패러다임이 되었습니다. 그러나 기존 방법은 일반적으로 데이터 재생 또는 조잡한 이진 감독을 사용하는데, 이는 특징 공간을 명시적으로 제약하지 못하여 심각한 특징 드리프트와 파국적인 망각을 초래합니다. 이러한 문제를 해결하기 위해, 우리는 점진적인 학습을 안정화하기 위해 의미 기반 앵커를 활용하는, 아티팩트 기반의 미세 정렬 해석을 통한 점진적인 얼굴 위조 탐지 방법인 AIFIND를 제안합니다. 우리는 불변하는 의미 기반 앵커를 생성하기 위해 Artifact-Driven Semantic Prior Generator를 설계하여, 저수준 아티팩트 단서를 기반으로 고정된 좌표계를 설정합니다. 이러한 앵커는 Artifact-Probe Attention을 통해 이미지 인코더에 주입되어, 불안정한 시각적 특징을 안정적인 의미 기반 앵커에 맞추도록 명시적으로 제약합니다. Adaptive Decision Harmonizer는 의미 기반 앵커의 각도 관계를 보존하여 분류기를 조화시키고, 작업 간의 기하학적 일관성을 유지합니다. 다양한 점진적인 프로토콜에 대한 광범위한 실험 결과, AIFIND의 우수성이 입증되었습니다.

As forgery types continue to emerge consistently, Incremental Face Forgery Detection (IFFD) has become a crucial paradigm. However, existing methods typically rely on data replay or coarse binary supervision, which fails to explicitly constrain the feature space, leading to severe feature drift and catastrophic forgetting. To address this, we propose AIFIND, Artifact-Aware Interpreting Fine-Grained Alignment for Incremental Face Forgery Detection, which leverages semantic anchors to stabilize incremental learning. We design the Artifact-Driven Semantic Prior Generator to instantiate invariant semantic anchors, establishing a fixed coordinate system from low-level artifact cues. These anchors are injected into the image encoder via Artifact-Probe Attention, which explicitly constrains volatile visual features to align with stable semantic anchors. Adaptive Decision Harmonizer harmonizes the classifiers by preserving angular relationships of semantic anchors, maintaining geometric consistency across tasks. Extensive experiments on multiple incremental protocols validate the superiority of AIFIND.