1.基于双分支协作学习的跨域人脸伪造检测方法，其特征在于，包括以下步骤：S1：将双分支协作学习框架划分为两个分支，每个分支包含一个教师网络和一个学生网络，其中，第一个分支的教师和学生分别记作 和 ，第二个分支的教师和学生分别记作 和 ；

S2：使用基于FFT的风格转换方法来生成潜在域图像 ，保持源域图像的内容 与目标域图像 的风格；

S3：对学生网络进行优化；

S4：对教师网络进行优化；

S5：使用Xception作为骨干网络，对两对教师和学生网络，进行人脸伪造检测；

所述S2的具体步骤为，通过将 的振幅替换为 的振幅，利用FFT生成类目标图像；

S2 1：将 源域 、潜 在域 和目 标 域分 别定 义为 、及 ；

其中： 、 及 分别表示每一个域中图像的个数；

由于 和 有着相同的内容，因此 可作为标签同时使用；

, , 分别表示源域、潜在域、目标域中随机选取的第 ， ， 张人脸图像；

, 分别表示源域和目标域中的第 ， 张人脸图像的标签；

S22：构造了两对自适应，即 和 ；

第一个分支的 和 在 对上进行域对齐和知识蒸馏，第二个分支的 和在 对上处理相同的过程；

所述S3的具体步骤为：

S31：先通过FFT引入一个额外的潜在域，减轻图像层面的域适应难度；

通过将 和其它域分别放在两个分支中进行对齐，使得两个分支可通过两个学生网络探索更丰富的跨域知识，为伪标签的细化提供更多的线索；

在 中，输入 和 依次经过特征提取器、对抗鉴别器和域分类器；

S32：利用对抗学习在特征级实现域对齐；

在特征提取器和域分类器之间引入了梯度反转层，当 中的 缺乏标号时， 的损失函数可认为是无监督损失，表示如下：（1）

其中： 表示域标签；

为无监督损失中平衡两个分类重要性的权重，设置为0.1；

表示用于区分真假人脸的负对数似然损失；

表示用于从哪个域分类特征的负对数似然损失；

表示 的标签；

所述S4中，采用了EMA将学生网络中的参数传递到教师网络中，表示为：（2）

其中： 和 分别为 和 的参数；

为EMA的平滑系数，设置为0.994，该系数决定了 参数更新的权值。

2.根据权利要求1所述的基于双分支协作学习的跨域人脸伪造检测方法，其特征在于：所述S5的具体步骤为：

S51：提出动态更新模块，以提高教师网络生成伪标签的可靠性；

对于相同的 ，引入两个丢弃层，分别从 和 产生 个预测结果，然后计算 个预测结果的标准差 ，表示为：（3）

其中： 表示 个预测结果的平均值，设置为5；

表示第 次 的预测结果；

S52：通过在线调整策略来更新 在第 次的二进制概率 ，可表示为：（4）

其中： 表示 在第 个epoch后预测的二进制概率；

表示更新后的二进制概率，即被分为真脸或假脸的概率；

表示具体采用的分支， ，即表示两个分支都进行公式4的操作；

为epoch数；

S53：根据公式（3）和（4），通过比较 与 的值来选择不确定性较低的教师网络生成伪标签，细化后的伪标签可表示为：（5）

其中： 为类别数；

为通道数；

为第一个分支第 个通道 的预测概率值；

为第二个分支第 个通道 的预测概率值；

S54：采用平滑策略来更好地利用伪标签， 的预测概率值 调整如下：（6）

其中：表示平滑系数，设置为0.1；

当 得到细化后的伪标签时，使用交叉熵损失 来优化 ：（7）

其中， 表示调整后的预测概率值；

因此，公式（1）中的无监督损失可以转化为半监督域自适应损失；

因此，和的总损失函数可以表示为：（8）

其中， 是控制 的超参数，设置为1.0。