跳转至

type: concept tags: [量化, deepfake-detection, edge-deployment, mobile-inference, real-time, post-training-quantization] related: [[septq-post-training-quantization]], [[kv-cache-quantization-ondevice]], [[multimodal-edge-pruning]], [[fastshade-mobile-denoising]], [[facelivtv2-mobile-face]] sources: - url: https://arxiv.org/abs/2604.08847 title: "DeFakeQ: Enabling Real-Time Deepfake Detection on Edge Devices via Adaptive Bidirectional Quantization" date: 2026-04-15 reliability: high created: 2026-04-16 updated: 2026-04-16

DeFakeQ: 端侧实时 Deepfake 检测的自适应双向量化

首个面向 Deepfake 检测的量化框架——模型压缩至原始 10%，保留 90%+ 检测精度，已在真实手机上部署验证。

核心问题

Deepfake 检测对移动支付、视频会议、社交媒体至关重要，但现有检测器计算量过大： - Xception-based 检测器需要 28M 参数、1.2G FLOPs - 在高端手机 SoC 上推理延迟达 350ms，远超实时阈值 - 现有轻量化方案（剪枝、紧凑架构设计）仍依赖全精度权重，内存开销大 - 直接量化会破坏 Deepfake 检测的核心：微表情不一致、细微纹理异常等超细粒度特征对量化噪声极为敏感

方法架构

DeFakeQ 包含两个核心创新模块：

水平自适应块量化 (HAQ - Horizontal Adaptive Block Quantization)

  • 在每个 block 内逐层计算权重和激活的重要性
  • 信息密度高的层分配更高比特宽度
  • 信息密度低的层压缩更激进
  • 目标：最小化信息损失的同时最大化计算和存储效率

垂直高效特征微调 (VEFT - Vertical Efficient Feature Fine-Tuning)

  • 随机选择少量特征通道，恢复到全精度格式
  • 构建渐进式对比度量学习损失函数
  • 在量化 block 内保留判别性特征
  • 补充 HAQ 的层级优化，进一步增强精度

双向优化：HAQ 横向自适应分配比特宽度，VEFT 纵向选择性恢复关键通道。两者协同工作。

实验结果

实验设置

  • 数据集：5 个 Deepfake 基准数据集
  • 检测器：11 个主流 SOTA/骨干 Deepfake 检测器
  • 部署：真实移动设备上的端到端验证

关键数据

指标 结果
参数压缩比 压缩至全精度的 10%
精度保留 保留原始 90%+ 检测性能
移动端部署 已在真实手机上验证实时推理
对比基线 显著优于现有轻量化设计和传统量化方法

与现有方案对比

  • 优于轻量化架构设计（如 EfficientNet-based 检测器）
  • 优于通用 PTQ 方法（如 AdaRound、BitSplit）
  • 优于任务特定量化方法（通用计算机视觉量化无法处理 Deepfake 的特殊性）

关键洞察

  1. Deepfake 检测量化的独特挑战：与一般分类不同，Deepfake 检测依赖超细微的面部伪造痕迹。标准量化方法会平滑掉这些关键特征。DeFakeQ 的自适应比特宽度分配解决了这个问题。

  2. 双向优化的必要性：仅做水平（层间）自适应不够——需要垂直（通道内）选择性恢复来保留判别性特征。两个维度缺一不可。

  3. 从 350ms 到实时：在手机 SoC 上将推理延迟从 350ms 降到实时级别，这意味着可以在用户拍照/视频通话时即时检测 Deepfake。

  4. 实用价值：论文已在真实手机上部署验证，不是实验室概念。这对移动支付、在线会议等场景有直接应用价值。

为什么重要

随着生成式 AI 的普及，Deepfake 威胁已从专业领域扩散到日常生活。用户主要通过手机进行视频通话、移动支付、社交分享——这些场景需要即时、本地的 Deepfake 检测。DeFakeQ 首次证明了在资源受限的移动设备上实现实时 Deepfake 检测的可行性，为端侧安全生态填补了关键空白。

关联

  • [[septq-post-training-quantization]] — 通用 LLM 量化技术，DeFakeQ 是 Deepfake 检测领域的专门化量化
  • [[kv-cache-quantization-ondevice]] — KV-Cache 量化降低 LLM 内存，DeFakeQ 降低检测器内存
  • [[multimodal-edge-pruning]] — 模态感知剪枝 vs 自适应量化，两种端侧优化路径
  • [[fastshade-mobile-denoising]] — 移动端图像处理（去噪），DeFakeQ 是移动端视觉安全（检测）
  • [[facelivtv2-mobile-face]] — 移动端人脸识别，DeFakeQ 专注于人脸伪造检测，两者构成移动端人脸安全双保险