HyperDetect：面向可泛化深度伪造检测的层级感知表征学习

HyperDetect 研究深度伪造检测器如何泛化到未见过的伪造技术与视觉域，提出在 Lorentz 双曲空间中表达伪造类型层级的视觉语言框架。基于摘要分析，其主要贡献是将伪造家族之间的层级关系与域变化共同纳入表征学习，而非仅依赖特定生成器的外观线索。 机制上，学习目标结合双曲角度对比学习、偏序约束、层级蕴含损失和域分散正则化。作者将这些组件的作用概括为：利用负曲率组织相关伪造类型、学习可区分的子类型表征，并应对域变化与类别不平衡。摘要未说明视觉与语言信息的具体构造、层级关系的来源、各损失的数学形式及训练和推理流程，尚不能判断其监督需求与实现成本。 作者报告，在多个深度伪造基准上，相比现有方法，对未见伪造技术的泛化有所改善；摘要未列出基准名称、数据划分、对照方法、指标或数值，因此不能量化收益，也不能确认不同泛化协议下的适用范围。实验协议、消融及统计信息尚未验证。作者表示代码和数据将公开发布，但所给材料不足以确认已发布。 该研究的主要对象是多媒体取证，而非 EEG 或 BCI。其潜在方法价值在于显式建模类别层级，但迁移依赖目标任务是否具备可靠层级及相应监督信息；目前没有材料支持将其效果延伸为 EEG/BCI 泛化收益。已有 EEG 相关工作尚未检索确认。