深度伪造检测
利用AI模型识别和鉴别合成或篡改的语音、图像、视频内容的技术方向，是AI安全领域的重要子赛道
时间轴 (近 90 天)
单纯依靠深度伪造检测工具并不足够——检测与伪造的军备竞赛永无止境。
多线索融合，尤其是引入物理世界的先验知识（如声音传播、光照一致性、阴影变化），可能是未来深度伪造检测的关键方向，单一模态的检测方法将越来越脆弱。
Kashani、Chen 与 Ozcan 发表的研究提出了一种混合式深度伪造检测分类器，将部分推理过程从数字域转移到物理光学系统
在深度伪造检测的生产环境中真实图像与伪造图像比例可能高达1000:1甚至更高，极端不平衡下AUC对长尾失败几乎没有区分度
绝大多数深度伪造检测模型在'干净'的生成器输出上训练和评估，但现实中图片到达检测系统前已经历JPEG重压缩、分辨率缩放、色彩空间转换、EXIF剥离等多轮变换
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
生产用检测模型应在平台级扰动条件下接受考验，包含多种压缩质量、分辨率缩放比例、社交平台模拟管线的组合测试
深度伪造检测器通常依赖像素级微小异常、高频噪声模式或压缩伪影中的生成器特征，而平台处理会系统性地破坏或覆盖这些信号
全部知识事实 (9)
AI深度伪造检测技术通过识别面部边缘频域异常、眨眼频率不自然、肤色与颈部不一致、背景与前景光照矛盾等伪造痕迹来检测换脸视频
85%待验证单纯依靠深度伪造检测工具并不足够——检测与伪造的军备竞赛永无止境。
50%待验证Kashani、Chen 与 Ozcan 发表的研究提出了一种混合式深度伪造检测分类器，将部分推理过程从数字域转移到物理光学系统
50%待验证在深度伪造检测的生产环境中真实图像与伪造图像比例可能高达1000:1甚至更高，极端不平衡下AUC对长尾失败几乎没有区分度
50%待验证绝大多数深度伪造检测模型在'干净'的生成器输出上训练和评估，但现实中图片到达检测系统前已经历JPEG重压缩、分辨率缩放、色彩空间转换、EXIF剥离等多轮变换
50%待验证深度伪造检测器通常依赖像素级微小异常、高频噪声模式或压缩伪影中的生成器特征，而平台处理会系统性地破坏或覆盖这些信号
50%待验证生产用检测模型应在平台级扰动条件下接受考验，包含多种压缩质量、分辨率缩放比例、社交平台模拟管线的组合测试
50%待验证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
50%待验证多线索融合，尤其是引入物理世界的先验知识（如声音传播、光照一致性、阴影变化），可能是未来深度伪造检测的关键方向，单一模态的检测方法将越来越脆弱。
50%