As advanced facial manipulation technologies develop rapidly, one can easily modify an image by changing the identity or the facial expression of the target person, which threatens social security. To address this problem, face forgery detection becomes an important and challenging task. In this paper, we propose a novel network, called Pixel-Region Relation Network (PRRNet), to capture pixel-wise and region-wise relations respectively for face forgery detection. The main motivation is that a facial manipulated image is composed of two parts from different sources, and the inconsistencies between the two parts is a significant kind of evidence for manipulation detection. Specifically, PRRNet contains two serial relation modules, i.e. the Pixel-Wise Relation (PR) module and the Region-Wise Relation (RR) module. For each pixel in the feature map, the PR module captures its similarities with other pixels to exploit the local relations information. Then, the PR module employs a spatial attention mechanism to represent the manipulated region and the original region separately. With the representations of the two regions, the RR module compares them with multiple metrics to measure the inconsistency between these two regions. In particular, the final predictions are obtained totally based on whether the inconsistencies exist. PRRNet achieves the state-of-the-art detection performance on three recent proposed face forgery detection datasets. Besides, our PRRNet shows the robustness when trained and tested on different image qualities.

随着先进的面部操纵技术的迅速发展，人们可以通过更改目标人的身份或面部表情来轻松修改图像，这会威胁到社会保障。为了解决这个问题，面部伪造检测成为一项重要且具有挑战性的任务。在本文中，我们提出了一种新颖的网络，称为像素区域关系网络（PRRNet），可以分别捕获像素方向和区域方向的关系以进行人脸伪造检测。主要动机是面部操纵图像由来自不同来源的两个部分组成，并且这两个部分之间的不一致是操纵检测的重要证据。具体而言，PRRNet包含两个串行关系模块，即像素明智关系（PR）模块和区域明智关系（RR）模块。对于特征图中的每个像素，PR模块捕获其与其他像素的相似性以利用局部关系信息。然后，PR模块采用空间关注机制来分别表示操纵区域和原始区域。利用这两个区域的表示，RR模块将它们与多个指标进行比较，以测量这两个区域之间的不一致。特别地，最终预测是完全基于不一致是否存在而获得的。PRRNet在三个最近提出的人脸伪造检测数据集上实现了最先进的检测性能。此外，我们的PRRNet在对不同图像质量进行培训和测试时还显示出了鲁棒性。PR模块采用空间关注机制来分别表示操纵区域和原始区域。利用这两个区域的表示，RR模块将它们与多个指标进行比较，以测量这两个区域之间的不一致。特别地，最终预测是完全基于不一致是否存在而获得的。PRRNet在三个最近提出的人脸伪造检测数据集上实现了最先进的检测性能。此外，我们的PRRNet在对不同图像质量进行培训和测试时还显示出了鲁棒性。PR模块采用空间关注机制来分别表示操纵区域和原始区域。利用这两个区域的表示，RR模块将它们与多个指标进行比较，以测量这两个区域之间的不一致。特别地，最终预测是完全基于不一致是否存在而获得的。PRRNet在三个最近提出的人脸伪造检测数据集上实现了最先进的检测性能。此外，我们的PRRNet在对不同图像质量进行培训和测试时还显示出了鲁棒性。最终的预测完全基于是否存在不一致的情况而获得。PRRNet在三个最近提出的人脸伪造检测数据集上实现了最先进的检测性能。此外，我们的PRRNet在对不同图像质量进行培训和测试时还显示出了鲁棒性。最终的预测完全基于是否存在不一致的情况而获得。PRRNet在三个最近提出的人脸伪造检测数据集上实现了最先进的检测性能。此外，我们的PRRNet在对不同图像质量进行培训和测试时还显示出了鲁棒性。