AdaGate-DF：面向低分辨率与端侧环境的自适应门控 Deepfake 检测

深度伪造（Deepfake）检测模型通常依赖高质量输入、固定的推理路径以及计算开销庞大的架构，从而限制了它们在低分辨率和资源受限环境中的应用。本文提出了 AdaGate-DF，这是一种自适应门控深度伪造检测框架，它利用图像质量线索将样本路由至双多出口系统，使高质量图像能够更早退出以节省计算资源。我们在两个基准数据集（Celeb-DF 和 FaceForensics++）上的多种配置下，将 AdaGate-DF 与 MaD-CoRN、DefakeHop++ 和 ShuffleNetV2 进行了评估，以测试其对图像分辨率的依赖性以及训练和推理效率。在 Celeb-DF 上，AdaGate-DF 实现了 0.9370 的 AUC，在保持较低推理延迟的同时优于 MaD-CoRN 和 DefakeHop++。基于分辨率的测试表明，随着输入分辨率的提升，性能表现出持续改善，在 384×384 分辨率下达到了 0.9708 的 AUC。FaceForensics++ 的结果突显出 AdaGate-DF 在类别不平衡情况下依然保持有效，取得了与所评估模型具有竞争力的结果。总体而言，AdaGate-DF 在面向不同质量图像的深度伪造检测中，展现出了检测性能、不确定性感知预测与计算效率之间的良好实用平衡。