Pour remédier à la dépendance des méthodes existantes de détection des deepfakes aux données étiquetées, cet article propose un réseau de guidage à double chemin (DPGNet) exploitant des données non étiquetées à grande échelle. DPGNet se compose de deux modules principaux : l’un comble l’écart de domaine entre les images de visage générées par différents modèles génératifs et l’autre exploite des échantillons d’images non étiquetées. Le premier module, l’alignement inter-domaines guidé par texte, intègre les intégrations visuelles et textuelles dans un espace de caractéristiques invariant au domaine grâce à des invites apprenables. Le second module, la génération de pseudo-étiquettes pilotée par le programme, exploite dynamiquement des échantillons non étiquetés riches en informations. De plus, il prévient les oublis grâce à la distillation des connaissances inter-domaines. Les résultats expérimentaux sur 11 jeux de données démontrent que DPGNet surpasse de 6,3 % la méthode de pointe (SoTA). Cela démontre l’efficacité de DPGNet pour résoudre le problème d’annotation de plus en plus réaliste des deepfakes en exploitant les données non étiquetées.
