GLID: Gated Local Intrinsic Dimension Repairs the Blind Spots of Face-Forgery Detectors

📄 arXiv: 2607.18770v1 📥 PDF

作者: Guang Yang, Fengchen Liu

分类: cs.CR, cs.CV

发布日期: 2026-07-21

备注: 21 pages, 16 figures

💡 一句话要点

提出GLID以解决人脸伪造检测盲点问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 人脸伪造检测 几何信号 局部内在维度 视觉变换器 无训练信号 跨生成器基准 检测性能提升

📋 核心要点

  1. 现有的面部伪造检测方法在面对未训练的生成器家族时存在显著的盲点，导致检测性能下降。
  2. GLID通过几何信号而非数据来修复检测盲点，利用局部内在维度估计来增强检测器的能力。
  3. 在16轴跨生成器基准测试中，GLID取得了0.805的平均AUC，显著提升了检测性能，尤其是在生成轴上。

📝 摘要（中文）

尽管经过微调的基础模型检测器在面部伪造基准测试中表现优异，但对于未在训练中出现的生成器家族仍存在盲点。本文提出GLID，通过几何方法修复这一盲点。GLID将单幅图像的补丁标记视为流形上的样本，并在冻结的视觉变换器的多个深度上估计其局部内在维度（LID）。该12维的无训练信号通过一个置信度门进入微调的检测器。GLID在16轴跨生成器基准测试中达到了0.805的平均AUC，领先于重新训练的最先进基线，并在任何轴上都未显著落后于最强的基线。该方法在生成轴上提升了+0.084 AUC，而在重演上仅下降-0.005。

🔬 方法详解

问题定义：本文旨在解决现有面部伪造检测器在面对未训练生成器家族时的盲点问题。现有方法依赖于训练数据，导致在新生成器出现时性能下降。

核心思路：GLID的核心思路是通过几何信号来修复检测盲点，具体通过估计图像补丁的局部内在维度（LID），而不是依赖于额外的训练数据。

技术框架：GLID的整体架构包括一个冻结的视觉变换器，用于提取图像补丁的特征，并在多个深度上估计其LID。然后，这一12维的信号通过置信度门进入微调的检测器。

关键创新：GLID的主要创新在于引入了局部内在维度作为无训练信号，能够在数据缺乏的情况下提供有效的几何信息，从而显著提升检测性能。

关键设计：在设计中，GLID使用了12维的LID信号，并通过置信度门进行强度校准，确保信号的有效性和准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

GLID在16轴跨生成器基准测试中实现了0.805的平均AUC，领先于所有重新训练的最先进基线，并在生成轴上提升了+0.084 AUC，显示出其在检测性能上的显著优势。此外，该方法在重演轴上的性能下降仅为-0.005，表现出良好的平衡性。

🎯 应用场景

GLID的研究成果在面部伪造检测领域具有广泛的应用潜力，尤其是在需要实时检测和识别伪造内容的安全系统中。其几何信号的应用可以为未来的检测器设计提供新的思路，尤其是在数据稀缺的情况下，提升检测的鲁棒性和准确性。

📄 摘要（原文）

Fine-tuned foundation-model detectors dominate face-forgery benchmarks, yet they stay blind to generator families absent from training. We present GLID, a detector that repairs this blind spot with geometry instead of data. GLID treats the patch tokens of a single image as a sample from a manifold and estimates their local intrinsic dimension (LID) at several depths of a frozen vision transformer. This 12-dimensional, training-free signal enters a fine-tuned detector through a confidence gate whose strength is calibrated purely in-distribution. On a 16-axis cross-generator benchmark, GLID reaches 0.805 mean AUC, first among retrained state-of-the-art baselines and never significantly behind the strongest of them on any axis. It lifts the generation axes by +0.084 AUC while moving reenactment by only -0.005. Two empirical laws explain the design. First, forged faces bend the token manifold at family-specific depths: GAN artifacts peak at the last layer, diffusion artifacts peak mid-network, and the pattern survives four backbones, three dimension estimators, and non-face imagery. Second, fine-tuning absorbs auxiliary gains exactly where training data covers: injecting 1% target-family images erases a +0.100 gain, so geometric signals matter precisely where data is unavailable. The deterministic signal also cuts the cross-seed spread of accuracy 5.5x. Code, preregistered analysis gates, and per-image scores accompany the paper.