评估深度伪造检测器在真实环境中的表现

由先进机器学习模型驱动的深度伪造技术，对身份验证和数字媒体真实性构成持续演变的重大威胁。虽然已开发出众多检测器应对此问题，但其在真实世界数据中的应用效果尚未得到充分验证。

本研究评估现代深度伪造检测器，引入了一种模拟真实场景的新型测试流程。采用最先进的深度伪造生成方法，构建了包含超过50万张高质量深度伪造图像的综合数据集。分析表明，深度伪造检测仍然是一项具有挑战性的任务。

评估显示，受测检测器中仅有不到半数达到60%以上的AUC分数，最低值仅为50%。研究证实，JPEG压缩或图像增强等基础图像处理操作会显著降低模型性能。所有代码和数据均通过此https URL公开提供。

接受状态：已被ICML 2025研讨会"DataWorld：跨领域统一数据策管框架"接收

研究领域：计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；机器学习（cs.LG）