论文页 - 阿尔法混合假说：深度伪造检测中的合成捷径

来源：https://huggingface.co/papers/2605.10334

摘要

深度伪造检测器主要作为阿尔法混合搜索器运作，通过识别合成伪影而非语义异常来发挥作用，一种提出的方法通过仅使用真实图像增强实现了卓越的跨数据集泛化能力。

近期的深度伪造检测（https://huggingface.co/papers?q=deepfake%20detection）方法展示了改进的跨数据集泛化能力（https://huggingface.co/papers?q=cross-dataset%20generalization），但其潜在机制仍有待探索。我们提出了阿尔法混合假说（https://huggingface.co/papers?q=Alpha%20Blending%20Hypothesis），认为最先进基于帧的检测器（https://huggingface.co/papers?q=frame-based%20detectors）主要作为阿尔法混合搜索器发挥作用；它们并非学习语义异常或特定的生成式神经指纹，而是定位在将篡改后的人脸集成到目标帧过程中引入的低级合成伪影。我们通过实验验证了这一假说，证明深度伪造检测器对所谓的自混合图像（https://huggingface.co/papers?q=self-blended%20images）（SBI）和非生成式操纵表现出高度敏感性。我们提出了 BlenD 方法，该方法利用经过 SBI 增强的大规模多样化仅真实面部图像数据集。这种方法在 2019 年至 2025 年间发布的 15 个组合式深度伪造数据集（https://huggingface.co/papers?q=compositional%20deepfake%20datasets）上实现了最佳的平均跨数据集泛化能力（https://huggingface.co/papers?q=cross-dataset%20generalization），且在训练过程中未使用明确生成的深度伪造数据。此外，我们证明显式混合搜索器的预测与对混合捷径具有鲁棒性的模型具有高度互补性，在集成配置（https://huggingface.co/papers?q=ensemble%20configuration）下实现了 94.0% 的最先进 AUROC（https://huggingface.co/papers?q=AUROC）。包含实验和训练模型的代码将会公开发布。

查看 arXiv 页面 (https://arxiv.org/abs/2605.10334) 查看 PDF (https://arxiv.org/pdf/2605.10334) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.10334)

在您的代理中获取此论文：

hf papers read 2605\.10334

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型 0

没有模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2605.10334 以从此页面链接它。

引用此论文的数据集 0

没有数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2605.10334 以从此页面链接它。

引用此论文的 Space 0

没有 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2605.10334 以从此页面链接它。

包含此论文的收藏 0

没有收藏包含此论文

将此论文添加到收藏 (https://huggingface.co/new-collection) 以从此页面链接它。