.png){kind=icon}
.png){kind=icon}
返回
A spatiotemporal defect-integrated deepfake video detection and forgery algorithm attribution model
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-026-55334-x.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
作为一种突出的AI生成内容形式，Deepfake已引发重大安全担忧，因为它显著增强了欺诈活动的隐蔽性并在真实场景中提高了其成功率。现有的大部分Deepfake研究主要关注检测任务，未能充分捕捉伪造算法在合成过程中留下的独特细微操纵痕迹。此外，将篡改视频归因于特定的生成算法也至关重要，这有助于确定伪造类型并减少广泛虚假信息传播的负面影响。为填补这一空白，本文提出了一种时空伪影感知框架，旨在同时完成两项核心任务：Deepfake视频检测和伪造算法归因。具体而言，为全面建模篡改视频的时空信息，将卷积神经网络（CNN）强大的局部特征学习能力与Transformer的长距离依赖捕捉能力相结合，从输入动态图像序列的局部和全局信息中挖掘伪造过程留下的痕迹。为增强模型捕捉鲁棒伪造特征的能力，创新性地将频域滤波器整合到卷积特征中，放大合成算法携带的细微痕迹。此外，考虑到伪造痕迹的多尺度特性，我们利用骨干网络的中层和深层输出，分别在不同特征层级暴露时间缺陷。通过融合这两个组件的预测结果，得到输入面部序列的最终预测结果。所提出的框架在交叉熵损失、三元组损失和难样本挖掘损失的联合监督下进行训练。这种多损失优化策略有效调整了类内紧凑性和类间可分性，使模型能够学习更适合检测和归因的判别特征。在FaceForensics++数据集上的全面实验表明，所提出的方法实现了97.86±0.18%的检测准确率和99.81±0.11%的AUC，以及98.42±0.15%的伪造算法归因准确率，在该数据集上超越了大多数当前最优方法。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。