1.一种基于频率学习的深度伪造人脸检测方法，其特征在于，包括以下步骤：S1、将图像分别输入两个个不同的分支，两个分支的骨干网络均使用轻量级的卷积神经网络，第一个分支通过骨干网络获取图像空间域的信息，即图像的基础视觉特征；第二个分支通过引入频率感知注意力模块加强频域伪影信息，进而输入到骨干网络中获取频域信息增强图像的视觉特征；频率感知注意力模块流程为：对于输入图像，先通过离散余弦变换以获得输入图像的频谱图；接着，对频谱图分别输入平均池化层和最大池化层进行平均池化以及最大池化，获得频谱图的两个不同视图，并将这两个不同的视图在通道的维度进行连接，进而通过1×1的卷积层以及非线性激活函数获得最终的频率注意力图；再使用反离散余弦变换将频谱注意力图转回空间域，最后通过一个残差短连接，将频率注意图与输入图像进行叠加后输出；S2、将步骤S1两个分支的输出特性进行融合；S3、将步骤S2输出的融合特征输入三个不同的分支，第一个分支通过解码器的上采样操作获得伪造痕迹掩模再生图，并以真实的伪造痕迹掩模作为监督，设计掩模损失，促使模型关注伪影信息；第二个分支通过池化层和全连接层获得一个预测结果以判断真伪，并以交叉熵损失函数进行优化；第三个分支通过一个全连接层和一个激活层以及另一个全连接层，获取输入图像的高维特征空间的特征向量，并使用深度伪造对比学习损失函数对高维特征空间的特征向量进行优化，以减少真实人脸的类内方差，并获得了更好的图像表征信息；第一个分支通过解码器来预测被篡改的图像像素点的位置，具体的操作为：将篡改图像与篡改前的真实图像进行配对，并对其进行像素值上的减法生成掩模图，并设定一个在(0,1)之间的阈值，将掩模图二值化，令真实区域的值为0，被篡改过的区域的值为1，以此为监督，并使用像素级的交叉熵损失对伪造痕迹再生的解码器进行优化；第二个分支通过池化层和全连接层获得一个取值范围在区间[0,1]内的预测值，结果以0.5为阈值判断真伪，即预测值在[0,0.5)区间内则判为真实图像，在[0.5，1]区间内则判为伪造图像，并以交叉熵损失函数进行优化。
2.根据权利要求1所述的基于频率学习的深度伪造人脸检测方法，其特征在于，非线性激活函数使用Sigmoid函数。
3.根据权利要求1所述的基于频率学习的深度伪造人脸检测方法，其特征在于，步骤S3中第三个分支的激活层使用的激活函数为ReLU函数。
4.根据权利要求1所述的基于频率学习的深度伪造人脸检测方法，其特征在于，步骤S3中第三个分支使用深度伪造对比学习损失函数对高维表征进行优化过程中，真实样本对被拉近，真实样本与伪造样本对被拉远。
