深度伪造检测数据集汇总：AI生成人脸、换脸与真实人脸公开资源指南

近日，一位计算机科学专业的应届生在 Reddit 上发帖，寻求用于深度伪造（Deepfake）图像检测研究的公开人脸数据集。他的本科毕业论文题目为《基于空间-频率特征融合与可解释深度学习的深度伪造图像检测》（Deepfake Image Detection Using Spatial-Frequency Feature Fusion and Explainable Deep Learning）。

这个看似普通的求助帖，实际上折射出深度伪造检测这一热门研究方向的关键痛点：高质量、合规可用的公开数据集，往往是研究入门的第一道门槛。本文将围绕这一需求，系统梳理深度伪造检测研究所需的三类核心数据集及其获取渠道。

reddit 原帖截图

深度伪造检测为何依赖高质量数据集

深度伪造检测本质上是一个二分类或多分类问题：让模型学会区分「真实人脸」与「伪造人脸」。而模型的泛化能力，几乎完全取决于训练数据的多样性、规模与真实性。

要理解这一需求的背景，有必要回顾深度伪造技术的发展脉络。深度伪造技术最早源于2017年Reddit社区用户利用自编码器（Autoencoder）实现的换脸操作。其核心原理是训练两个共享编码器但拥有独立解码器的神经网络，分别学习两张人脸的特征表示，然后通过交换解码器实现人脸替换。此后，生成对抗网络（GAN）和扩散模型（Diffusion Model）的快速发展，使得伪造质量大幅提升。GAN通过生成器与判别器的对抗训练不断提高生成图像的逼真度，而扩散模型则通过逐步去噪的方式从随机噪声中生成高质量图像。这些技术的进步使得深度伪造图像越来越难以被人眼识别，也对检测技术提出了更高要求。

发帖者明确提出了对数据的三大类别需求，这也代表了当前深度伪造检测研究的标准数据结构：

深度伪造检测的三类核心数据

AI 生成人脸：包括 GAN 生成、扩散模型（Diffusion）生成以及其他合成人脸。这类数据反映的是「从无到有」的完全合成图像。
深度伪造人脸：包括换脸（Face Swap）、人脸操纵（Face Manipulation）等基于真实图像篡改而来的伪造图像。
真实人脸：涵盖不同年龄、性别、光照条件，以及正面、左侧、右侧不同姿态的自然人脸照片。

你可能没注意到，AI 生成人脸与深度伪造人脸在技术原理上有本质区别——前者是「凭空合成」，后者是「篡改真实」。一个鲁棒的检测系统需要同时应对这两类威胁，这也是发帖者数据需求分类的合理之处。

空间-频率融合检测方法的技术内涵

发帖者的论文方向涉及「空间-频率特征融合」，这一方法论值得深入了解。空间域特征是指直接从像素层面提取的视觉特征，如纹理不连续、边缘伪影、面部对称性异常等。而频率域特征则是通过离散余弦变换（DCT）或快速傅里叶变换（FFT）将图像从空间域转换到频率域后提取的特征。

研究表明，AI生成图像在高频分量上往往呈现异常模式——例如GAN生成的图像会在频谱中留下周期性的「指纹」（spectral artifacts），这是由上采样操作（如转置卷积）引起的棋盘效应造成的。扩散模型生成的图像同样会在特定频段表现出统计异常。空间-频率融合方法将这两个域的互补信息结合起来，能够捕获单一域分析可能遗漏的伪造痕迹，从而提高检测的鲁棒性和泛化能力。这也解释了为什么发帖者需要涵盖多种生成方法的数据集——不同生成技术在频域中留下的伪影特征各不相同。

主流公开深度伪造检测数据集推荐

针对深度伪造检测研究，学术界已积累了大量高质量、可合规使用的公开数据集。以下按类别整理：

深度伪造换脸数据集

FaceForensics++：深度伪造检测领域最经典的基准数据集之一。该数据集由慕尼黑工业大学于2019年发布，包含1000段从YouTube采集的原始视频，并使用四种不同的伪造方法生成对应的伪造版本：DeepFakes（基于自编码器的换脸）、Face2Face（基于3D形变模型的表情迁移）、FaceSwap（基于图形学的面部交换）和NeuralTextures（基于神经网络的面部再渲染）。数据集提供三种压缩等级（raw/c23/c40），模拟不同质量的社交媒体传播场景。研究者需通过官方网站提交申请表获取下载权限，承诺仅用于学术研究目的。
Celeb-DF (v2)：包含大量高质量名人换脸视频，伪造痕迹更隐蔽，对检测模型的挑战性更高。
DFDC (Deepfake Detection Challenge)：由 Meta 主导发布的大规模数据集，是 Kaggle 同名竞赛的官方数据，规模庞大。
DeeperForensics-1.0：注重真实世界扰动的模拟，如压缩、模糊、噪声等。

AI 生成人脸数据集

StyleGAN / StyleGAN2/3 生成图像：可通过官方开源代码在本地生成，也可直接使用 thispersondoesnotexist.com 批量获取 GAN 合成脸。
Diffusion 生成人脸：可利用 Stable Diffusion 等开源模型自行生成，或在 Hugging Face 上检索现成的合成人脸数据集。
ForenSynths / GenImage：专门用于「AI 生成图像检测」的数据集，涵盖多种生成模型的输出。

真实人脸数据集

CelebA / CelebA-HQ：超过 20 万张名人图像，附带丰富属性标注，是深度伪造检测研究中常用的真实样本来源。
FFHQ (Flickr-Faces-HQ)：由NVIDIA于2019年随StyleGAN论文一同发布，包含70000张1024×1024分辨率的高质量人脸图像，均从Flickr采集并经过自动对齐和裁剪处理。该数据集在年龄覆盖（从婴儿到老年）、种族多样性、配饰（眼镜、帽子、妆容）等方面远超此前的CelebA-HQ数据集。FFHQ不仅是StyleGAN系列模型的官方训练集，也成为深度伪造检测研究中最常用的真实人脸参照基准——研究者可以将StyleGAN在FFHQ上生成的合成脸与FFHQ中的真实脸配对，构建成对的训练样本。
VGGFace2：涵盖大量不同姿态（正面、侧面）与年龄段的人脸，正好契合发帖者对「多姿态」的需求。

数据集合规使用的重要提醒

发帖者在文中反复强调「仅用于学术研究、仅使用可合法共享的公开资源」，这一点值得所有研究者高度重视。

人脸数据合规的三条底线

查看许可协议：不同数据集的授权条款差异很大。有些仅限非商业学术用途，有些需要签署使用协议（如 FaceForensics++ 需填写申请表），务必逐一确认。
注意隐私法规：人脸数据涉及生物识别信息，在 GDPR 等法规框架下属于敏感数据。欧盟《通用数据保护条例》（GDPR）将人脸图像明确归类为生物识别数据，属于「特殊类别个人数据」，其处理受到严格限制。2021年，大规模人脸识别公司Clearview AI因未经同意抓取社交媒体人脸照片，在多个欧洲国家被处以巨额罚款。学术界也受到波及——微软悄然删除了包含10万张人脸的MS-Celeb-1M数据集，Duke MTMC监控数据集同样因隐私争议被撤回。使用真实人脸数据集时，应确认其已获得合法采集授权。
避免版权风险：不应擅自抓取受版权保护的私人照片。发帖者拒绝接收「受版权保护或私人图像」的做法，正是负责任研究的体现。

发帖者甚至创建了一个共享的 Google Drive 文件夹，供社区成员上传可合法分发的图像资源，并承诺在论文中致谢贡献者——这种开放协作的方式在学术社区中值得鼓励。

给深度伪造检测研究者的实用建议

对于正在开展类似研究的学生和研究者，除了直接下载现成数据集，还有几点值得参考：

优先使用基准数据集：使用 FaceForensics++、Celeb-DF 等公认基准，能让你的实验结果与已发表论文进行公平对比，增强论文说服力。
善用 Hugging Face 与 GitHub：这两个平台聚合了大量社区维护的数据集与预处理脚本，能大幅节省数据准备时间。
关注空间-频率融合检测方法：发帖者的论文方向涉及频域特征，这类方法（如利用 DCT、FFT 提取频域伪影）在检测 AI 生成图像上表现优异，相关论文往往会公开其使用的数据划分方式。
重视可解释性：论文标题中的「可解释深度学习」是当前热点。可解释深度学习（XAI）旨在解决深度神经网络的「黑箱」问题，让模型的决策过程变得透明可理解。在深度伪造检测场景中，Grad-CAM（梯度加权类激活映射）、LIME、SHAP等可视化工具能帮助揭示模型关注的图像区域，验证模型是否基于合理的伪造痕迹做出判断，而非依赖数据集偏差。在司法取证和内容审核等实际应用中，仅给出「真/假」的判定是不够的，决策者需要了解判定依据才能做出可信的裁决。这也要求数据集具备清晰的真伪标签。

结语

这则 Reddit 求助帖虽小，却清晰地勾勒出深度伪造检测研究的完整数据生态：从 GAN/扩散生成的合成脸，到换脸篡改的伪造脸，再到多样化的真实人脸。

随着 AI 生成技术的飞速进步，深度伪造检测已成为对抗虚假信息、保护数字身份安全的重要防线。而开放、合规、高质量的数据集，正是推动这一领域持续进步的基石。对于任何有志于此的研究者而言，掌握数据集的获取渠道与合规使用原则，是迈出深度伪造检测研究第一步的关键。