待验证50% 置信事实精确时间

在标准测试中表现优异的深度伪造检测模型，在面对贴近真实场景的图像扰动后性能大幅崩塌

1

来源数

50%

置信度

长期有效

时效性

2026/8/26

首次发现

来源

深度伪造检测器在扩散模型时代失效：AUC指标为何不再可靠

涉及实体

深度伪造检测concept

相关事实

待验证深度伪造技术已从需要大量训练数据的高门槛阶段，降低到仅需几秒钟音频或一张照片即可生成逼真伪造内容的程度70% 相似待验证对抗样本攻击的核心原理是通过对输入数据施加人眼几乎不可察觉的微小扰动，让训练好的深度学习模型产生完全错误的输出70% 相似待验证ImageNet竞赛曾暴露研究者通过反复调优超参数刷榜、导致模型基准表现与实际部署效果出现显著差距的问题69% 相似已验证若用含测试集的全量数据计算均值和标准差，会导致预处理泄漏，使评估指标虚高，无法真实反映模型泛化能力69% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/802736

API

curl https://kongchang.com/api/v1/knowledge/claims/802736

MCP

get_claim(id=802736)