面向可泛化人脸伪造检测的可控引导空间

基于摘要分析。本文研究人脸伪造检测在未知域上的泛化问题，提出 controllable guide-space（GS，可控引导空间），通过组织不同伪造域与真实域的特征关系，减少背景、身份等伪造无关信息对检测的干扰。研究对象是图像伪造检测，并非 EEG 或 BCI，也不能由来源栏目推断其采用 State space models。 核心机制包括三部分：首先，在显式、可控的引导空间中，使不同伪造域适当分离，同时增大真实域与伪造域之间的距离；其次，使用解耦模块削弱域间与伪造无关的相关性；最后，根据邻域内同域特征的聚集程度调整决策边界流形。其方法重点不只是消除域差异，而是保留与伪造判别有关的域结构。具体空间构造、损失形式、解耦实现及边界调整规则尚未验证。 作者报告，在多个域内与跨域设置中，方法达到 state-of-the-art 泛化表现。摘要未提供数据集、划分、对照方法或指标数值，因此尚不能判断优势幅度及适用范围；实验协议、消融及统计信息尚未验证。复现需核对训练域与未知测试域的定义、域标签的使用方式，以及身份和背景因素的控制条件。 平台推测（待验证）：可检验的迁移假设是，类似的特征组织与解耦机制可能缓解 EEG 跨被试任务中被试特征干扰任务判别的问题，但伪造域并不等同于被试域。其迁移依赖可定义的域划分及任务监督；可考虑复用特征空间约束，需重新设计 EEG 编码器与域结构。低信噪比、小数据和通道差异可能使邻域聚集估计不稳定，过度解耦也可能去除有效生理信息。一个小规模检验是在固定编码器与训练数据的 Cross-subject 留一被试协议下，对比加入与不加入 GS 约束的版本，仅使用训练被试拟合，并以预先指定的 Balanced Accuracy 检验收益。已有 EEG 相关工作尚未检索确认。