北京交通大学赵耀、陶仁帅团队联合苏黎世联邦理工学院在AAAI 2025提出开放世界深伪检测方法ODDN，重点解决无配对数据场景下的检测难题。该方法通过创新任务设计、多任务学习框架及梯度优化策略，有效应对社交媒体中压缩图像导致的伪造特征模糊问题。一、研究背景与挑战现有深伪检测方法依赖配对数据（原始图像与压缩图像一一对应）训练模型，但在开放网络环境（如社交媒体）中存在两大局限：数据稀缺性：真实场景中难以获取足够数量的配对数据。压缩干扰：图像经多次压缩后质量下降，伪造特征被破坏，检测难度激增。图1：开放世界深伪检测任务场景二、核心方法：ODDN框架提出非配对数据下的开放世界深伪检测任务，并设计双组件模型：开放世界数据聚合（ODA）将无配对数据按压缩状态（有/无）和真实性（真/假）分为四类，计算各簇聚类中心。通过聚类中心距离度量压缩对伪造特征的影响，公式如下：对少量配对数据采用HSIC（希尔伯特-施密特独立性准则）度量分布相似性。压缩丢失梯度校正（CGC）多任务学习架构：主任务：二分类检测伪造图像，优化Backbone提取伪造特征。辅助任务：判别图像是否被压缩，通过梯度取反操作使Backbone忽略压缩相关特征。图2：ODDN模型结构梯度冲突解决：采用PCGrad算法将冲突梯度投影至法向量方向，确保优化方向对伪造检测任务有益。三、实验验证与结果数据集训练集：ForenSynths（20类，每类1.8万张ProGAN生成图像+LSUN真实图像）。测试集：17个常用数据集（8个来自ForenSynths，9个来自GANGen-Detection）。实验设置评估压缩情况已知/未知场景下的检测性能。图3：压缩情况已知的实验结果图4：压缩情况未知的实验结果消融实验验证各组件有效性。图5：消融实验结果核心结论ODDN在无配对数据场景下显著提升检测准确率，尤其在压缩图像中表现稳健。方法为开放世界深伪检测提供基准，适用于打击社交媒体伪造信息。四、研究团队赵耀：北京交通大学教授，IEEE Fellow，国家杰青，长江学者。陶仁帅：副教授，硕士生导师，华为诺亚方舟实验室前高级研究员。李满毅：在读本科生，已推免至中科院自动化所攻读博士。论文地址：ODDN: Addressing Unpaired Data Challenges in Open-World Deepfake Detection on Online Social Networks该方法通过创新任务定义与梯度优化策略，为开放环境下的深伪检测提供了新思路，具有重要学术价值与实际应用潜力。