用于鲁棒人脸伪造检测的 3D 数据增强与双分支模型

基于摘要分析。本文研究视频人脸伪造检测，提出 Dual-Branch Network（DBNet），联合建模 3D 时序特征与细粒度纹理，旨在同时捕捉动态属性和空间细节，并识别局部伪影之外的细微不一致；其主要研究对象不是 EEG 或 BCI。 机制上，DBNet 从视频中提取 3D 关键点并构造时间序列，交由 RNN 分支处理；另一分支使用 Vision Transformer 分析局部图像块。作者引入 Temporal Consistency-aware Loss，对 RNN 施加显式监督，并使用 3D 生成模型增强训练数据。摘要未说明双分支融合方式、损失具体形式、生成模型及训练配置，这些内容尚未验证。 作者报告，该方法在所用基准上达到最先进性能，消融实验支持其对未见数据、不同操纵方式及压缩条件的泛化能力。但摘要未提供基准名称、数据划分、对照方法、指标或数值，因此无法判断提升幅度及不同评估协议之间的可比性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可供 EEG 方法研究参考的是“时序结构与局部表征互补，并以时间一致性约束时序分支”的机制，而非人脸 3D 关键点或生成模型本身。迁移假设依赖 EEG 中存在可稳定提取的时序结构和局部通道—时间特征；需重新定义局部表征、监督目标及合理的增强方式，不能直接沿用图像纹理和人脸几何。低信噪比、跨被试差异、通道配置变化及小数据可能削弱双分支互补性，过强的一致性约束也可能抹平短暂任务相关变化。可检验的小实验是在固定 EEG 任务与 Cross-subject 划分下，对照时序单分支、双分支及加入一致性约束的版本，使用同一指标与训练预算检验增益；这不是原文已验证结果，已有相关 EEG 工作尚未检索确认。