← 返回博客
研究雷达深伪检测arXiv2026 年 10 月

每月 arXiv 雷达

2026 年 10 月深度伪造检测论文：统一取证、长视频定位与局部人脸篡改

十月的检测研究从三个方向扩展威胁模型。Venus-DefakerOne2 统一多种媒体和攻击形式，AV-FABLE 要求定位长视频中短暂的音频与视觉篡改，RLDF 则检验检测器能否发现只发生在小块面部区域的修改。

本月趋势判断

Venus-DefakerOne2 用一个模型覆盖六类取证任务，报告深度伪造人脸平衡准确率为 96.7%、AI 视频为 96.0%；考虑到模型规模和内部训练数据，独立测试仍不可缺少。AV-FABLE 提供总计 998 小时的长视频原始与篡改配对数据，并分别标注音频和视频时间线：零样本语言回答接近随机水平，而对冻结特征训练专门读出模块可达到 91.30 mAP。RLDF 则表明，局部人脸换脸会让现有检测器平均下降 10.5 个 AUC 百分点。采购评估应分别覆盖威胁类型、时间定位、模态归因和篡改面积，而不是只接受一个平均精度。

论文 012026-10-27cs.CV

Venus-DefakerOne2：覆盖更广威胁范围的视觉取证基础模型

arXivPDF

作者与机构

Chenfan Qu

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Yachao Liang

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Mingqi Fang

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Jiangwei Xie

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Zhenming Wang

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Baoyue Zhang

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Changjiang Jiang

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Zheng Chang

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Fanli Jin

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Xuekang Zhu

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Kaiwen Feng

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Junchi Li

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Weihong Zhang

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Haoyue Wang

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Chenfeng Zhang

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Yinan Xia

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Fangming Cui

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Yongshuo Zhang

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Dong Fan

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Jingjing Liu

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Tianyi Zhang

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Luobin Chen

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Ji-Zhe Zhou

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Sheng Li

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Wei Wang

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Bin Li

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Ran He

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Xinpeng Zhang

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Linna Zhou

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Jian Liu

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Weiqiang Wang

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

解决了什么问题

Venus-DefakerOne2 希望用一个二分类取证基础模型覆盖图像和视频中的数字伪造与物理呈现攻击。难点是在引入更多领域和困难样本时避免灾难性遗忘，同时不要求所有媒体都使用同一种预测接口。

关键结果

该论文报告称，深度伪造人脸的平衡准确度为 96.7%，AI 生成的图像为 93.3%，篡改的文档为 87.6%，操纵的自然图像为 89.6%，物理欺骗为 93.1%，AI 生成的视频为 96.0%。在这两个突出的广泛领域，物理伪造从 DefakerOne 的 60.8% 提高到 93.1%，AI 视频检测从 72.5% 提高到 96.0%。

摘要

现实世界的伪造本质上是异质的：它不仅表现为数字操纵，而且表现为物理欺骗，并且不仅通过图像也通过视频来传播。尽管取得了重大进展，但仍然缺乏涵盖如此广泛威胁范围的统一防伪基础模型。在本文中，我们提出了 Venus-DefakerOne2，它沿着伪造形式和媒体类型维度大幅扩展了取证能力边界。它经过数千万个开源和内部样本的训练，包含两个关键设计。 Tide-Style-Tuning 交替使用 LoRA 和全参数微调，以平衡计算效率、泛化和困难样本拟合，同时减轻灾难性遗忘。基于熵的测试适应通过分析预测熵来确定最佳预测模式。 Venus-DefakerOne2 在一系列全面的基准测试中实现了新的最先进的性能，包括 DeepFake 人脸 (96.7%)、人工智能生成的图像 (93.3%)、篡改文档 (87.6%)、操纵的自然图像 (89.6%)、物理欺骗 (93.1%) 和人工智能生成的视频 (96.0%)。它的性能显着优于专业专家模型及其前身 DefakerOne，成为二元决策取证任务的强大且多功能的基础模型。

研究出发点

操作伪造筛查涵盖深度伪造面孔、生成的图像和视频、编辑的文档、自然图像篡改和物理呈现攻击。单独的专业模型会增加集成成本，并可能在媒体和攻击形式之间留下不一致的盲点。

方法概述

该模型经过数千万个开源和内部样本的训练。 Tide-Style-Tuning 将参数高效的 LoRA 阶段与全参数微调交替，以在拟合硬案例的同时保持广泛的泛化性。基于熵的测试适应比较可用的预测模式并选择不确定性较低的路线；其他组件支持视频聚合和像素级定位。

论文总结

覆盖多种威胁的基础检测模型能简化多媒体审核系统，但其平均成绩横跨多个基准，训练还使用了内部数据。企业仍需验证不同攻击的阈值、分数校准、延迟，以及未见生成器和采集设备上的表现。

论文 022026-10-24cs.CV

AV-FABLE：长视频中的音视频篡改取证

arXivPDF

作者与机构

Yuesheng Huang

Tsinghua University

Hoi Fan Au

Tsinghua University

Jiaqi Hou

Tsinghua University

Ruicheng Zhang

Tsinghua University

Jiarui He

Tsinghua University

Haocheng Yang

Tsinghua University

Bin Hu

Tsinghua University

Kewei Zhang

Peking University

Weijian Deng

Tsinghua University

Jun Zhou

Tsinghua University

Xiu Li

Tsinghua University

解决了什么问题

AV-FABLE 定义了单独的音频和视觉定位时间线，用于开放场景、分钟级视频中的稀疏操作。它测试域中以及源、生成器、路径和外部数据集转换下的检测、时间定位、模态归因和证据生成。

关键结果

该基准测试包含 16,650 个原始处理的双胞胎、33,300 个视频和 998.1 小时；视频时长中位数为 88 秒，操纵率达到 9.45%。零样本视听语言模型仅达到 51-52 AUROC，最多 0.30 mAP，尽管线性探针恢复了 90.8 音频和 80.8 视觉 AUROC。 NFSR 在域中达到 91.30 视听 mAP 和 96.04 检测 AUROC，并领先于所有三个分布外设置。

摘要

长视频中的本地化人工智能操作通常会影响真实内容中的简短事件，使得视频级分类不足以进行取证分析。现有的视听深度伪造基准主要集中于简短的头部说话剪辑，而长篇时间取证仍然以视觉为主。我们引入了 AV-FABLE，这是一种用于开放场景长格式视听视频中稀疏操作的双时间线基准。 AV-FABLE 包含通过 27 种编辑配置创建的 16,650 个原始操纵双胞胎（998 小时），具有独立的音频和视觉时间线，可实现特定于模态的时间定位并暴露联合时间线评估隐藏的错误。在 AV-FABLE 上，视听大语言模型 (AV-LLM) 的零样本提示会产生近乎偶然的检测和较差的时间定位。相比之下，对其冻结感知特征的监督读出恢复了强烈的取证信号，这表明操纵证据被编码在这些表示中，但没有通过语言输出有效暴露。受这一观察的启发，我们提出了 NFSR（通过分离读数的本机取证），它使用单独的音频和视觉时间解码器读取冻结的 AV-LLM 特征。 NFSR 在域内和所有三种分发外设置中实现了最佳视听本地化性能，包括从外部长视频取证基准传输到保留的视频。 AV-FABLE、代码和模型权重将公开发布。

研究出发点

大多数真实的长视频中伪造的几秒钟可能会改变其含义，并且音频和视觉编辑可能会在不同的时间进行。单个视频标签或共享时间线无法告诉调查人员哪种模式被改变，并且可能会奖励在错误流中找到正确时刻的模型。

方法概述

SEE-Forge 从原始视频中选择事件，规划局部编辑，分配到 27 种音频或视觉编辑配置，再将编辑片段放回原有上下文。每份篡改视频都配有导出条件一致的未篡改版本。NFSR 随后用独立的音频和视觉时间解码器读取冻结音视频语言模型的特征，融合中间层与接口特征，并结合整段视频的上下文解释局部证据。

论文总结

AV-FABLE 适合检验需要指出篡改时间段及受影响音视频轨道的审核工具，而不仅是给文件打真假标签。研究也表明，基础模型内部虽可能包含有用的取证线索，仅靠零样本提示未必能可靠提取。

论文 032026-10-15cs.CV

RLDF：用于局部人脸篡改检测的区域级深度伪造数据集与基准

arXivPDF

作者与机构

Shukesh Reddy

Machine Intelligence Group, BITS Pilani, Hyderabad Campus

Abhijit Das

Machine Intelligence Group, BITS Pilani, Hyderabad Campus

解决了什么问题

RLDF 为部分人脸交换提供区域标签和空间真实标注，并审核已建立的检测器是否从全脸基准转移。它还提供了一个本地化感知基线，用于从小伪造区域进行学习，而不是对其进行平均。

关键结果

与传统评估相比，在 12 个检测器中，区域级测试导致 AUC 平均下降 10.5 个百分点，准确度下降 10 个百分点。 FatFormer 在 RLDF 上的 AUC 下降至 0.745，DFD-FCG 下降至 0.806。掩模引导基线确立了显式空间监督可以恢复有用信号，但论文将其定位为起点而不是已解决的检测器。

摘要

现有的 Deepfake 检测模型建立在经过专门完全交换或完全合成的面部篡改的图像之上，这给我们带来了一个悬而未决的问题：现成的 Deepfake 模型能否有效地检测操纵，而篡改仅限于局部面部子区域？为了填补这一空白，我们引入了 RLDF（区域级 Deepfake），这是第一个用于区域级 Deepfake 评估的数据集。采用所提出的区域感知部分交换合成模型，我们通过使用八种面部交换方法生成超过 2M 的部分面部交换图像。总共，我们考虑了七个面部区域，其中有四个离散区域（眼睛、鼻子、嘴巴和眉毛）和四个复合面部区域（眼睛和鼻子；眼睛、鼻子和嘴巴；眼睛、鼻子、嘴巴和眉毛；以及全脸）。此外，我们定义了三个评估协议，并对五个流行标准跨数据集评估、DF40 和拟议的 RLDF 中的 12 个最先进的检测器进行了基准测试，从而对现有检测器表现不佳的位置和原因进行了全面审计。我们的评估表明，现有的检测器无法一致地泛化部分面部区域，导致区域级评估下 AUC 整体下降 10.5%，准确度下降 10%。此外，我们提出了一种掩模引导的交叉注意模型作为基线方法，可以有效地检测区域级操纵。建议的数据集、代码和检查点可在 https://github.com/RLDF-Dataset/RLDF 上获取。

研究出发点

大多数深度伪造基准都会替换或合成整个面部，因此检测器可以学习广泛的全局伪影。现代编辑工具可以只改变眼睛、嘴巴、鼻子或其他小区域，让真实的像素占据图像的主导地位，并使自信的全局分类器的可靠性大大降低。

方法概述

该数据集将八种面部交换方法应用于 1,000 个源-目标视频对，然后使用面部解析、膨胀和软混合将八个单独或复合面部区域重新组合回真实的目标帧。这会产生 2,048,000 个假图像，其中包含身份不相交的训练、验证和测试分割。 CLIP ViT-L/14 基线预测图像块伪造掩码，并用它来指导交叉注意力，然后做出最终的真假决策。

论文总结

局部人脸篡改应成为深度伪造产品的独立验收项目。RLDF 表明，整脸伪造上的高分并不保证能识别小区域编辑，其掩码标注可用于训练和检查局部判定。