امروزه شبکه‌های عصبی پیچشی به‌طور گسترده برای تشخیص جعل عمیق چهره به کار می‌روند. اما به دلیل تعداد زیاد پارامترها و هزینه‌ محاسباتی سنگین چالش‌برانگیز هستند. هدف این مقاله، طراحی شبکه‌ای سبک و با دقت قابل قبول است تا در دستگاه‌های با منابع محدود قابل استفاده باشد. بدین منظور، از روش‌های تقطیر دانش و هرس فیلترها برای فشرده‌سازی شبکه بهره گرفته شد. از شبکه پیش‌آموزش‌دیده ResNet50 به‌عنوان معلم برای انتقال دانش به دانش‌آموز استفاده شد. همچنین، از ماسک‌های دودویی برای هرس فیلترها استفاده گردید. ایده‌ اصلی این مقاله، بهره‌گیری از ضریب همبستگی پیرسون برای شناسایی فیلترهای زائد و هدایت فرآیند هرس است. این روش روی پنج مجموعه‌داده اعمال و سپس با دو روش که یکی از آنها الهام‌بخش این پژوهش بود، مقایسه شد. در این مقایسه، حداکثر میزان هرس ممکن در روش‌ها اعمال گردید. روش پیشنهادی در اکثر موارد، فشردگی بیشتر و قدرت تعمیم قابل قبولی دارد. به عنوان مثال در مجموعه‌داده‌ 140k Real and Fake Faces علاوه بر بهبود4/31 درصدی دقت نسبت به معلم، به کاهش 85/33 درصد در پارامترها و 83/92 درصد در محاسبات دست یافت و شبکه فشرده‌شده قدرت تعمیم مشابه با روش پایه از خود نشان داد.