通过对抗学习实现面向音频深度伪造检测的鲁棒工作流生成

语音合成和语音转换技术的快速发展使音频深度伪造变得越来越逼真，给实际应用带来了严重的安全风险。尽管现有检测方法在受控条件下取得了优异性能，但在现实世界的扰动和损坏条件下往往难以实现良好的泛化。本文提出 ROGUE，一种通过协调多个检测工具动态构建鲁棒检测工作流的框架。ROGUE 将工作流生成建模为序列决策问题，并引入双智能体范式：其中，扰动智能体生成音频扰动，策略智能体则学习在受扰条件下选择并执行检测工具。通过对抗学习，ROGUE 实现了感知扰动的工具选择、自适应执行策略，以及对分布偏移更强的鲁棒性。在多个数据集和现实世界损坏条件下开展的大量实验表明，ROGUE 在鲁棒性和泛化能力方面均持续优于强基线方法。我们的结果凸显了经对抗优化的工作流生成对于构建能够在真实部署环境中可靠运行的音频深度伪造检测系统的有效性。