导语
深度伪造检测器常见的训练对象,是把生成的人脸贴回真实视频画面的“拼接式”伪造。这类方法会留下边缘融合、局部纹理不一致等痕迹。但新一代生成技术可以直接合成整张脸,画面中不再有明显的粘贴边界,原先依赖拼接痕迹的检测器因此可能失灵。论文提出的TwinD,正是试图缩小这两类伪造之间的检测落差。
两类“孪生”样本
TwinD除了使用FaceForensics++中的伪造样本,还从真实画面构造两种训练样本,作者称之为“孪生”。第一种是重建孪生:用自编码器重建一帧真实画面,再随机选取一块区域,把该区域的原始像素放回去。设计意图是让模型学习解码器重建可能留下的神经网络痕迹。第二种是斑块孪生:改变真实画面的副本,再将其与原画面混合,重点模拟融合伪影。它不依赖特定生成器,也不需要沿人脸轮廓制作遮罩。
这两种样本分别指向生成与融合过程中的线索。作者希望模型不只是记住某种伪造工具或固定的人脸边界,而是利用更广泛的图像痕迹。论文还报告,仅用孪生样本训练、完全不使用深度伪造数据集时,单个模型在三个随机种子上的平均表现仍达到94.3%。这提示训练样本的构造方式本身,可能为跨手法检测提供有效监督。
结果与意义
研究在一个包含19个、发布于2019至2026年的数据集基准上进行评估。摘要称,先前最佳人脸深伪检测器在10个拼接伪造数据集上的平均AUROC为96.2%,但在5个整脸合成(EFS)数据集上,均未超过78.1%;通用AI生成内容检测器也没有消除这一差距。TwinD的平均AUROC为96.3%,其中拼接数据集为98.1%,EFS数据集为95.6%。AUROC衡量模型区分真实与伪造样本的能力,数值越高通常代表区分效果越好。
这些数字的重点不只是总体分数略有提升,更在于整脸合成上的表现明显改善。若结果能在不同来源的数据和实际场景中得到验证,这种不依赖特定生成器的训练思路,可能帮助检测系统应对不断变化的伪造方式。不过,基准测试成绩并不等于对所有生成工具、压缩视频或真实传播环境都有效;论文摘要也没有提供逐类误判情况等细节。因此,TwinD更适合作为检测方法泛化的一项积极证据,而不是深伪鉴定已被彻底解决的证明。代码、模型和训练数据已由作者公开。
评论
正在确认登录状态……
正在加载评论……