2026.06.9
本次汇报解读 IJCAI 2025 论文《Unlocking the Potential of Lightweight Quantized Models for Deepfake Detection》，探讨深度伪造检测模型如何在准确率、泛化能力、计算量和存储开销之间取得平衡，并面向实时和边缘部署提出轻量化思路。
许多深度伪造检测方法依赖 CNN、Transformer 或 CLIP 等大规模模型，虽然性能较强，却难满足资源受限设备的推理需求。深度伪造检测本质上多为二分类任务，网络中可能存在冗余参数。报告以不同规模的 ResNet 为例说明，在已见数据上小模型亦能取得很高准确率，而单纯增加骨干网络规模未必能稳定改善未知数据上的泛化能力。
论文从轻量级骨干与低比特量化两个角度压缩检测系统。较小网络先减少浮点运算与参数规模，量化再将权重和激活映射到低比特表示，以进一步降低存储与计算开销。方法同时考察量化对已见数据和未见数据的影响，避免只以单一数据集上的高准确率评估模型价值。
报告比较不同规模 ResNet 在深度伪造检测任务上的表现，并分析量化配置对模型大小、计算量和检测性能的影响。实验将训练和测试场景区分为已见与未见条件，以衡量真实部署中面对新生成方式或新数据分布时的稳健性。相关设置还关注低比特表示对特征提取和分类边界的影响。
结果表明，轻量模型配合量化可以显著压缩推理成本，并在合适配置下保持具有竞争力的检测能力。报告强调，检测系统的优化目标不应局限于已见数据的峰值准确率，还应同时评估未知场景的泛化、延迟和设备资源占用。未来可继续研究量化感知训练、跨生成器泛化和面向端侧硬件的协同优化。