基于频域跨图像对抗水印的JPEG抗性Deepfake防御机制

这篇研究提出了一种创新的频域对抗水印生成方案，通过可微分JPEG模块（DCT）在训练中模拟量化压缩效应，显著提升了水印对JPEG压缩的鲁棒性。结合跨图像融合协调机制，该方法能有效干扰Deepfake模型（如Conditional GANs）的伪造输出，为大规模人脸图像提供无需重新训练（retraining）的主动防御方案。

　　

亮点

• 我们提出了一种抗JPEG压缩的主动水印防御方案，通过在DCT频域构建对抗水印，确保其在压缩后仍保持强干扰能力。

• 创新性地引入协调机制，解决跨图像水印生成中的梯度与融合冲突，显著提升水印的泛化性。

• 大量实验证明该方法能有效抵抗JPEG压缩，为真实场景下的Deepfake防御提供可靠解决方案。

问题阐述

当前基于像素域的对抗水印（如CMUA）易受JPEG量化操作影响，尤其在DCT高频系数区会出现幅值衰减。本研究将对抗训练迁移至频域，通过可微分JPEG模块实现端到端优化，使扰动分布自适应压缩效应。

实验设置

(1) 数据集：采用CelebA和LFW人脸数据集，分别包含19,962张和13,000张标注图像。测试时选取128×128分辨率图像，模拟社交媒体常见的JPEG压缩场景（质量因子Q=75）。

结论

本研究通过频域优化将传统像素域水印转化为DCT域可训练问题，结合量化模拟模块与跨图像协调机制，首次实现对抗水印在压缩场景下的稳定防御性能，为Deepfake治理提供新思路。

（注：翻译中保留DCT、GAN等术语缩写，使用^上标和_下标规范数学表达式，如x^′ = G(x,c)）