知识卡片：自适应门控深度伪造检测用于低分辨率与资源受限环境

英文标题：Adaptive Gated Deepfake Detection for Low-Resolution and Resource-Constrained Environments

英文关键词：deepfake detection; adaptive gating; multi-exit network; resource-constrained environments; low-resolution

一句话结论

AdaGate-DF 提出一种基于图像质量线索进行门控路由的深度伪造检测框架，通过“双多出口”系统让高质量图像更早退出以节省计算；在 Celeb-DF 上达到 AUC 0.9370，在 384×384 输入下达到 AUC 0.9708，同时保持较低推断延迟。

事件概述或研究问题

现有深度伪造检测模型通常依赖高质量输入、固定推理路径和高开销架构，难以部署到低分辨率与资源受限环境。该论文提出 AdaGate-DF，探讨如何在输入质量变化和算力受限的条件下，兼顾检测性能、不确定性感知预测与计算效率。

方法/产品要点

• 核心思路是自适应门控：利用图像质量线索判断样本，并将其路由到“双多出口（dual multi-exit）”系统中的不同出口。
• 高质量图像可以在较早出口退出，从而降低计算成本。
• 框架具备不确定性感知预测能力。
• 摘要中未给出门控网络的结构、出口数量、阈值设定、训练损失等具体实现细节，待核实。

主要结果或产业意义

• 在 Celeb-DF 基准上，AdaGate-DF 的 AUC 为 0.9370，优于 MaD-CoRN 和 DefakeHop++，并保持较低推断延迟。
• 分辨率实验显示，随着输入分辨率提高，性能稳定提升；在 384×384 时 AUC 达到 0.9708。
• 在 FaceForensics++ 上，AdaGate-DF 在类别不平衡条件下仍保持有效，与所对比模型相比具有竞争力；具体数值与实验设置待核实。
• 产业意义在于：为移动端、边缘设备或低带宽视频流中的深度伪造筛查提供了一种“按需计算”的动态推理思路。

为什么重要

资源受限场景下的深度伪造检测是实际部署中的关键问题。AdaGate-DF 不要求所有输入都经过同一个重型网络，而是根据图像质量动态选择推理路径，尝试在精度、不确定性与效率之间取得实际可用的平衡。相比静态压缩固定模型，这种“输入自适应路由”是一个值得关注的增量方向。

局限与不确定性

• 摘要未提供模型参数量、FLOPs、吞吐量或具体延迟数值，待核实。
• 与 ShuffleNetV2 等模型的详细对比结果、FF++ 上的具体指标未在摘要中展开，待核实。
• 低分辨率下限、门控决策鲁棒性、对对抗攻击或进一步压缩的兼容性尚不明确，待核实。
• 该条目来自 arXiv 预印本（arXiv:2609.05320v1），同行评审状态待核实。

与既有脉络的关系

已有相关卡片分别涉及低资源模型合并、轻量级 ViT 压缩用于农业病害检测、脑微出血检测合成框架。本条属于“资源受限 + 视觉任务”脉络的延续，但任务改为深度伪造检测，技术策略不是静态压缩，而是门控与动态退出，提示该方向可以从“压缩后部署”走向“输入自适应部署”。

可用于图书/PPT/简报的角度

• 用“高质量图早走，低质量图深看”的比喻解释动态推理在深度伪造检测中的作用。
• 以 Celeb-DF 与 FaceForensics++ 为案例，说明门控多出口模型如何在保持性能的同时适应计算约束。
• 将 AdaGate-DF 与静态剪枝、量化等效率方法对照，展示“模型效率不只靠压缩，也靠路由”的视角。

原始材料

• 英文标题：Adaptive Gated Deepfake Detection for Low-Resolution and Resource-Constrained Environments
• arXiv ID：2609.05320v1
• URL：https://arxiv.org/abs/2609.05320v1
• PDF URL：https://arxiv.org/pdf/2609.05320v1
• 作者：Vaishnavi Sen, Cody Laurie, Rashida Hasan
• 提交/更新时间：2026-09-04T16:14:57Z
• 类别：cs.CV; cs.LG