Pansin note

切换主题

基于《连通认知网络的计算智能》视角的视频欺诈检测技术前沿研究与实践报告 ​

字数
6130 字
阅读时间
25 分钟

报告类型：技术深度研究报告

报告主旨：视频欺诈检测（Deepfake Detection）的前沿技术、对抗机制与工程实践

依据来源：《Computational Intelligence for Connective Cognition Networks: Advances and Applications》第9章及2024-2025年顶级会议（CVPR, ICCV, AAAI, USENIX Security）前沿文献

报告人身份：网络安全架构师 / 视频取证专家

日期：2025年11月26日

1. 引言：合成现实时代的认知危机 ​

随着生成式人工智能（Generative AI）技术的指数级跃迁，数字内容生态正经历一场前所未有的认知危机。从早期的自动编码器（Auto-Encoders）和生成对抗网络（GANs）发展至今日基于扩散变换器（Diffusion Transformers, DiTs）的“世界模拟器”（如OpenAI Sora, Runway Gen-3, Kling等），合成媒体的逼真度已跨越了“恐怖谷”，进入了肉眼难以辨识的“超真实”阶段 1。

根据《Computational Intelligence for Connective Cognition Networks: Advances and Applications》第9章的核心论点，传统的孤立特征分析已不足以应对当前的威胁。第9章提出的“连通认知”（Connective Cognition）理论指出，智能的本质在于多模态信息的动态关联与全局一致性验证。在视频欺诈检测领域，这意味着防御体系必须从单一的视觉伪影寻找，转向对视频中音频、视觉、物理规律、语义逻辑等多元信号的“连通性”审查。

当前的深伪技术（Deepfakes）已不再局限于换脸娱乐，而是演变为一种低成本、高杀伤力的网络武器。据统计，2023年至2024年间，深伪欺诈尝试激增了3000%，其中视频和语音克隆成为金融KYC（Know Your Customer）攻击的主要载体 4。面对这一严峻形势，本报告将深入剖析基于连通认知网络架构的新一代检测技术，涵盖多模态特征融合、基础模型适配、物理一致性校验、频域取证以及对抗性防御等关键领域。

2. 连通认知视角下的检测方法论演进 ​

在经典的计算机视觉范式中，视频被视为帧的集合，检测器往往关注局部的纹理异常。然而，第9章所述的计算智能框架强调“网络化”的认知模式，即通过构建不同感知模态之间的强关联来确立真实性。

2.1 从“伪影检测”到“连通性验证” ​

早期的Deepfake生成器（如DeepFakes, Face2Face）在生成过程中会留下明显的空间伪影，如分辨率不匹配、边缘融合瑕疵或频域上的棋盘格效应 6。针对这些缺陷，传统的卷积神经网络（CNNs）如XceptionNet即可实现较高的检测率。

然而，新一代扩散模型（Diffusion Models）通过逐步去噪过程生成图像，消除了许多传统伪影。这迫使检测逻辑发生根本性转变：从寻找“哪里看起来假”（伪影检测）转向验证“各部分是否连贯”（连通性验证）。

  • 跨模态连通性：声音与口型、表情与语调是否生物学同步？
  • 物理连通性：光影变化、物体运动是否符合三维世界的物理定律？
  • 语义连通性：人物身份与环境背景、行为逻辑是否一致？

2.2 泛化性危机：现有模型的阿喀琉斯之踵 ​

当前检测技术面临的最大挑战是“泛化性缺口”（Generalization Gap）。研究表明，在学术数据集（如FaceForensics++）上训练的模型，面对2024年出现的野外（In-the-Wild）深伪视频时，性能会出现灾难性下降。

表 1：不同数据集下的检测模型性能衰减分析

数据集类型代表性数据集主要生成技术SOTA模型表现 (AUC)核心问题
第一代 (2019)FaceForensics++DeepFakes, FaceSwap> 99%生成器过时，低分辨率，伪影明显 7
第二代 (2021)Celeb-DF v2改进型GANs~ 90%数据多样性不足，仅限于面部替换 8
第三代 (2024)Deepfake-Eval-2024扩散模型, 语音克隆< 60% (开源模型)高保真、多模态、未知生成器攻击 9
前沿 (2025)OpenFakeMidjourney v6, Flux变动极大政治敏感内容，文本到图像的语义伪造 11

从表1可以看出，当面对Deepfake-Eval-2024这类包含最新生成技术的真实场景数据时，传统模型的AUC平均下降了约50% 10。这证实了基于特定伪影的检测方法已失效，亟需引入具有更高抽象能力的连通认知模型。

3. 核心技术架构一：多模态特征融合 (AVFF) ​

在连通认知网络中，音频与视觉的同步性是判断视频真实性的最强生物特征之一。人类发声时，声带的振动（音频）与面部肌肉的运动（视觉）之间存在着复杂的神经肌肉耦合关系。目前的生成模型往往分别生成音频和视频，或者通过粗糙的同步模块（如Wav2Lip）进行对齐，难以完美复刻这种微秒级的生物连通性。

3.1 AVFF 架构解析 ​

Audio-Visual Feature Fusion (AVFF) 是一种前沿的检测架构，专门用于捕获这种跨模态的一致性 8。

3.1.1 互补掩码与特征重构策略 ​

AVFF的核心创新在于引入了自监督学习阶段，通过“互补掩码”（Complementary Masking）策略迫使网络学习音视频间的内在映射关系。

  1. 特征提取：分别使用Transformer编码器提取音频序列（Audio Tokens, A）和视频帧序列（Visual Tokens, V）。
  2. 互补掩码：随机掩盖一定比例的音频片段和视频片段。关键在于，掩盖是互补的——即如果某个时间步的音频被掩盖，则该时间步的视频保留，反之亦然。
  3. 跨模态预测：
    • A2V 网络：利用可见的音频Token预测被掩盖的视频Token。
    • V2A 网络：利用可见的视频Token预测被掩盖的音频Token。
  4. 连通性损失函数：
    网络通过最小化重构误差进行训练。对于真实视频，由于音视频高度相关，网络可以轻易从音频推断出口型特征。对于伪造视频，由于两者缺乏内在的生物学联系，重构误差会显著增大 12。

3.1.2 性能表现 ​

在FakeAVCeleb数据集上的实验显示，AVFF架构达到了98.6%的准确率，远超单模态检测器 12。这一结果有力支撑了第9章的理论：多模态信息的连通性分析是突破单模态伪影瓶颈的关键。

4. 核心技术架构二：基础模型引导的自适应检测 ​

随着“基础模型”（Foundation Models, 如CLIP, DINOv2）的兴起，利用其在大规模数据上习得的丰富语义先验知识进行深伪检测成为新趋势。这种方法不再从零开始训练检测器，而是将通用人工智能的认知能力“适配”到取证任务中。

4.1 面部组件引导的适配 (FCG) ​

CVPR 2025的研究提出了通过**面部组件引导适配（Facial Component Guided Adaptation）**来增强基础模型的检测能力 14。

  • 问题背景：直接微调大型基础模型（如CLIP）不仅计算成本高，而且容易导致灾难性遗忘，使其失去通用的特征提取能力。
  • 技术方案：
    • 保持CLIP的图像编码器参数冻结。
    • 引入轻量级的适配器（Adapters），专门关注面部的关键区域（眼睛、嘴巴、轮廓）。
    • 利用语义分割图（Semantic Segmentation Map）作为空间注意力掩码，引导模型聚焦于伪造痕迹最可能出现的区域。
  • 连通性体现：该方法利用了视觉-语言模型（VLM）中图像与文本描述的连通性。通过输入如“一张真实的人脸”或“一张深度伪造的人脸”等文本提示（Prompt），模型可以在零样本（Zero-Shot）或少样本（Few-Shot）的情况下识别出未见过的攻击类型 14。

4.2 差异学习框架 (D3) ​

针对多生成器场景下的泛化难题，差异深伪检测器（Discrepancy Deepfake Detector, D3） 提出了一种并行的差异分支网络 16。

  • 核心思想：与其让网络记住每一种伪造模式，不如让网络学习“什么不是真实的”。
  • 机制：
    • 主分支提取常规特征。
    • 差异分支输入经过特定失真处理的图像，或者通过重构网络生成的“理想”图像。
    • 网络通过对比原始输入与参考输入之间的差异信号（Discrepancy Signal），捕捉那些在不同生成器之间普遍存在的异常特征。这种“差异”本质上是真实数据分布与伪造数据分布之间的距离度量。

5. 核心技术架构三：物理一致性与3D线索学习 (L3DE) ​

面对Sora、Gen-3等“世界模拟器”生成的视频，传统的像素级检测往往失效，因为这些视频在纹理和光照上已近乎完美。然而，基于连通认知的深度分析揭示了其致命弱点：物理规律的缺失。

5.1 模拟鸿沟 (The Simulation Gap) ​

目前的视频生成模型本质上是基于概率的像素预测器，而非基于物理的渲染引擎。它们“幻觉”出的运动往往违反欧几里得几何和牛顿力学。例如，当摄像机移动时，背景物体的透视变化可能不符合其深度信息；或者影子的移动与光源位置不连贯。这种现象被称为“模拟鸿沟” 1。

5.2 L3DE 方法论 ​

Learned 3D Evaluation (L3DE) 方法通过引入三维物理线索来检测这种不一致性 1。

  • 3D线索提取：不依赖于易出错的完整3D重建，而是提取单目3D线索（Monocular 3D Cues）：
    • 深度图（Depth）：场景的几何结构。
    • 光流（Optical Flow）：像素的运动场。
    • 摄像机位姿（Camera Pose）：视角的轨迹。
  • 连通性校验：训练一个3D CNN来评估这些线索之间的连通性。在真实视频中，光流场应该是由深度结构和摄像机运动严格决定的（遵循刚体运动方程）。而在生成视频中，这种数学上的连通性往往被打破。
  • 结果：L3DE能够为视频打出一个“物理真实性评分”。实验表明，该评分不仅能有效区分真实与合成视频，还与人类的主观感知高度一致 1。

6. 频域分析与扩散伪影取证 ​

除了空间域和时域，频域（Frequency Domain）依然是取证的重要战场。根据信号处理理论，生成模型的上采样（Upsampling）操作会在频域留下周期性的痕迹。

6.1 扩散模型的频域指纹 ​

尽管扩散模型（Diffusion Models）生成的图像在空间域极其逼真，但在傅里叶变换（FFT）后的频谱图中，往往能观察到异常的高频分量 6。

  • 棋盘格效应（Checkerboard Artifacts）：这是由转置卷积（Transposed Convolution）或插值操作引起的周期性伪影。
  • 高频缺失与畸变：扩散模型在生成高频纹理（如发丝、皮肤毛孔）时，虽然视觉上看似存在，但在频谱能量分布上往往与自然图像的幂律分布（Power Law）不符。自然图像的频谱能量通常随频率增加而呈指数衰减，而生成图像往往在某些高频段出现能量截断或异常峰值 19。

6.2 频率选择性对抗训练 (F-SAT) ​

为了应对攻击者可能使用的频域掩盖技术（如添加高斯噪声模糊高频指纹），研究者提出了频率选择性对抗训练（Frequency-Selective Adversarial Training, F-SAT） 21。

  • 原理：在训练过程中，特意对输入样本的高频分量进行对抗性扰动。
  • 目的：迫使模型不再仅仅依赖脆弱的高频指纹，而是学习更鲁棒的中频和低频结构性特征，从而在面对压缩、噪声干扰时保持检测能力。

7. 对抗博弈：攻击与防御的螺旋升级 ​

网络安全本质上是攻防对抗。随着检测技术的进步，针对检测器的攻击技术也在同步演进。本章基于USENIX Security 2024等安全顶会的最新研究，分析当前的对抗态势。

7.1 逃逸攻击 (Evasion Attacks) ​

逃逸攻击旨在通过微小的扰动使检测器误判。

  • 梯度攻击：利用FGSM（Fast Gradient Sign Method）或PGD（Projected Gradient Descent）算法，针对特定的检测模型（如Xception）计算梯度，添加人眼不可见的噪声 22。
  • 可转移性攻击：为了攻击未知的黑盒检测器，攻击者利用“统计一致性攻击”（StatAttack），通过模拟图像压缩和降质过程来生成具有高迁移性的对抗样本，这类样本往往能同时欺骗多种架构的检测器 22。

7.2 主动防御：数据投毒 (Data Poisoning) ​

这是一种“左移”的防御策略，旨在破坏Deepfake生成的源头。

  • 机制：防御者在社交媒体上发布的个人照片中预先嵌入不可见的“毒素”（扰动）。
  • 效果：当恶意行为者爬取这些照片用于训练LoRA或DreamBooth模型时，这些扰动会破坏模型的特征提取过程，导致生成的Deepfake面部崩坏或产生严重伪影 24。这种方法被称为“主动破坏防御”（Proactive Disruption Defense）26。

7.3 防御增强：对抗净化 (Adversarial Purification) ​

面对逃逸攻击，单纯的对抗训练会导致模型在干净样本上的性能下降。DiffPure（Diffusion Purification）提供了一种新的解决思路 27。

  • 原理：利用扩散模型的强生成先验来“清洗”输入图像。
    1. 正向扩散：向输入图像加入少量高斯噪声。由于对抗扰动通常是微小且结构脆弱的，它们会被随机噪声淹没。
    2. 反向去噪：使用预训练的扩散模型将噪声图像还原。由于扩散模型学习的是自然图像的流形分布，还原后的图像将保留原始语义内容，但剔除了对抗扰动。
  • 优势：DiffPure作为一种预处理模块，可以即插即用地保护现有的任何分类器，显著提升了针对强力攻击（如AutoAttack）的鲁棒性。

8. 工程实践：实时检测与e-KYC安全架构 ​

将上述理论转化为实际的安全产品，面临着延迟（Latency）、算力（Compute）和隐私（Privacy）的工程挑战。

8.1 视频会议实时防护架构 ​

针对Zoom、Teams等场景的实时Deepfake攻击（如冒充高管诈骗），检测系统需要在极低延迟下运行。

  • 侧车模式（Side-Car Architecture）：不直接拦截视频流，而是旁路采样（如每秒抽检5帧）发送至检测引擎。
  • 轻量化边缘检测：在用户终端（Edge）部署轻量级模型（如MobileNetV2 + Attention），用于过滤明显的攻击和正常帧 29。
  • 云端深度取证：对于边缘端判定的可疑帧，上传至云端调用大模型（如L3DE, AVFF）进行二次校验。
  • 注视点追踪（Gaze Tracking）：一种极低算力的检测方案。通过分析通话中的视线落点（Point of Gaze）。真实人类在对话时，眼球运动与头部姿态存在特定的生物力学协同，而Deepfake往往出现“眼动解耦”现象。该方法计算量极小，适合实时防护 31。

8.2 电子身份认证 (e-KYC) 的反注入防御 ​

金融领域的e-KYC系统不仅要检测图像是否为假，还要检测摄像头数据流是否被劫持（注入攻击）。

  • 注入攻击防御：检测虚拟摄像头软件的特征，检查视频流元数据。
  • 呈现攻击检测 (PAD)：利用摩尔纹（Moiré Pattern）检测屏幕翻拍，利用远程光电容积脉搏波（rPPG）检测面部血流微变化。Deepfake生成的视频虽然视觉逼真，但往往缺乏这种随心跳周期性变化的肤色微弱信号 32。

9. 深度案例分析：Deepfake-Eval-2024 与 OpenFake ​

为了验证上述技术的有效性，必须依托高质量的基准测试集。

9.1 Deepfake-Eval-2024 数据集分析 ​

该数据集由TrueMedia.org收集，包含2024年社交媒体上流通的真实野外数据。

  • 构成：44小时视频，56.5小时音频，1975张图像。涵盖了换脸、唇形同步、全合成视频等多种形式。
  • 测试结果：商业模型表现优于开源模型，但仍未达到人类取证专家的水平。开源模型（如ResNet）的AUC从学术数据集的99%暴跌至50%左右。这表明，开源社区的模型严重过拟合于旧有的生成模式，缺乏对未知攻击的泛化能力 9。

9.2 OpenFake 数据集分析 ​

OpenFake旨在解决“政治相关性”和“多模态”的缺口。

  • 规模：300万张真实图像，近100万张合成图像。
  • 生成器：采用了Midjourney v6, Stable Diffusion XL, Flux等最新模型。
  • 价值：它不仅包含人脸，还包含场景、物体和带有文字的合成图像（如伪造的新闻截图）。测试表明，基于OpenFake训练的模型在检测高质量文生图欺诈方面具有显著优势 11。

10. 结论与建议 ​

本次深度研究基于“连通认知网络”的视角，系统梳理了视频欺诈检测的前沿技术。

10.1 核心结论 ​

  1. 单模态检测已死：随着生成技术的完美化，仅凭视觉伪影已无法可靠检测，必须转向多模态（AVFF）和物理一致性（L3DE）的连通性验证。
  2. 泛化性是当前痛点：Deepfake-Eval-2024的测试结果表明，实验室模型在真实威胁面前极其脆弱。引入基础模型（CLIP）和差异学习（D3）是提升泛化性的必由之路。
  3. 攻防一体化：检测不再是被动的分类任务，而是包含主动投毒、对抗净化在内的动态博弈系统。

10.2 专家建议 ​

针对企业级网络安全防护，提出以下建议：

  1. 构建纵深防御体系：
    • L1 边缘层：部署轻量级模型和注入攻击检测，过滤大规模低级攻击。
    • L2 认知层：部署多模态融合模型（AVFF）和物理一致性模型（L3DE），应对高保真Deepfake。
    • L3 溯源层：集成C2PA标准和数字水印检测，建立内容的数字信任链。
  2. 持续红队测试（Red Teaming）：
    • 不应仅使用FaceForensics++等过时数据集评估系统。必须建立基于最新生成器（如Sora, Flux）的内部测试集（类似于OpenFake）。
  3. 关注音频安全：
    • 在视频画质趋于完美的今天，音频生成的微小瑕疵和音画同步的生物学特征将成为最后的防线。

展望：未来的检测器将更接近于生物大脑——不仅仅是“看”像素，而是“理解”场景，通过感知世界模型的物理逻辑和因果关系来识破数字伪装。

报告结束

Works cited ​

  1. [2406.19568] How Far are AI-generated Videos from Simulating the 3D Visual World: A Learned 3D Evaluation Approach - arXiv, accessed November 26, 2025, https://arxiv.org/abs/2406.19568
  2. Open-Sora 2.0: Training a Commercial-Level Video Generation Model in $200k - arXiv, accessed November 26, 2025, https://arxiv.org/html/2503.09642v1
  3. Safe-Sora: Safe Text-to-Video Generation via Graphical Watermarking - arXiv, accessed November 26, 2025, https://arxiv.org/html/2505.12667v1
  4. Deepfake Statistics 2025: AI Fraud Data & Trends - DeepStrike, accessed November 26, 2025, https://deepstrike.io/blog/deepfake-statistics-2025
  5. Visual Language Models as Zero-Shot Deepfake Detectors - arXiv, accessed November 26, 2025, https://arxiv.org/html/2507.22469v1
  6. Breaking Semantic Artifacts for Generalized AI-generated Image Detection - NIPS papers, accessed November 26, 2025, https://papers.nips.cc/paper_files/paper/2024/file/6dddcff5b115b40c998a08fbd1cea4d7-Paper-Conference.pdf
  7. Face Forgery Detection by 3D Decomposition - GitHub Pages, accessed November 26, 2025, https://xiangyuzhu-open.github.io/homepage/files/cvpr21face.pdf
  8. Daisy-Zhang/Awesome-Deepfakes-Detection - GitHub, accessed November 26, 2025, https://github.com/Daisy-Zhang/Awesome-Deepfakes-Detection
  9. Deepfake-Eval-2024: A Multi-Modal In-the-Wild Benchmark of Deepfakes Circulated in 2024, accessed November 26, 2025, https://www.researchgate.net/publication/389581656_Deepfake-Eval-2024_A_Multi-Modal_In-the-Wild_Benchmark_of_Deepfakes_Circulated_in_2024
  10. A Multi-Modal In-the-Wild Benchmark of Deepfakes Circulated in 2024 - arXiv, accessed November 26, 2025, https://arxiv.org/html/2503.02857v4
  11. OpenFake: An Open Dataset and Platform Toward Real-World Deepfake Detection - arXiv, accessed November 26, 2025, https://arxiv.org/html/2509.09495v2
  12. AVFF: Audio-Visual Feature Fusion for Video Deepfake Detection - CVF Open Access, accessed November 26, 2025, https://openaccess.thecvf.com/content/CVPR2024/papers/Oorloff_AVFF_Audio-Visual_Feature_Fusion_for_Video_Deepfake_Detection_CVPR_2024_paper.pdf
  13. AVFF: Audio-Visual Feature Fusion for Video Deepfake Detection - Reality Defender, accessed November 26, 2025, https://www.realitydefender.com/insights/audio-visual-feature-fusion-for-video-deepfake-detection
  14. Towards More General Video-based Deepfake Detection through ..., accessed November 26, 2025, https://openaccess.thecvf.com/content/CVPR2025/html/Han_Towards_More_General_Video-based_Deepfake_Detection_through_Facial_Component_Guided_CVPR_2025_paper.html
  15. Standing on the Shoulders of Giants: Reprogramming Visual-Language Model for General Deepfake Detection - AAAI Publications, accessed November 26, 2025, https://ojs.aaai.org/index.php/AAAI/article/view/32559/34714
  16. D^ 3: Scaling Up Deepfake Detection by Learning from Discrepancy, accessed November 26, 2025, https://openaccess.thecvf.com/content/CVPR2025/html/Yang_D3_Scaling_Up_Deepfake_Detection_by_Learning_from_Discrepancy_CVPR_2025_paper.html
  17. What Matters in Detecting AI-Generated Videos like Sora? - arXiv, accessed November 26, 2025, https://arxiv.org/html/2406.19568v1
  18. How Far are AI-generated Videos from Simulating the 3D Visual World: A Learned 3D Evaluation Approach - arXiv, accessed November 26, 2025, https://arxiv.org/html/2406.19568v2
  19. Learning Plug-and-play Memory for Guiding Video Diffusion Models - arXiv, accessed November 26, 2025, https://arxiv.org/html/2511.19229v1
  20. Intriguing properties of synthetic images: from generative adversarial networks to diffusion models | Request PDF - ResearchGate, accessed November 26, 2025, https://www.researchgate.net/publication/373132604_Intriguing_properties_of_synthetic_images_from_generative_adversarial_networks_to_diffusion_models
  21. I Can Hear You: Selective Robust Training for Deepfake Audio Detection - OpenReview, accessed November 26, 2025, https://openreview.net/forum?id=2GcR9bO620
  22. Adversarially Robust Deepfake Detection via Adversarial Feature Similarity Learning - arXiv, accessed November 26, 2025, https://arxiv.org/html/2403.08806v1
  23. USENIX Security '24 Fall Accepted Papers, accessed November 26, 2025, https://www.usenix.org/conference/usenixsecurity24/fall-accepted-papers
  24. Risks and Mitigation Strategies for Adversarial Artificial Intelligence Threats: A DHS S&T Study - Homeland Security, accessed November 26, 2025, https://www.dhs.gov/sites/default/files/2023-12/23_1222_st_risks_mitigation_strategies.pdf
  25. How to Confuse and Block AI Deepfake Attacks Using Poisoned Data, accessed November 26, 2025, https://www.cybersecurity-insiders.com/how-to-confuse-and-block-ai-deepfake-attacks-using-poisoned-data/
  26. Coexistence of Deepfake Defenses: Addressing the Poisoning Challenge - IEEE Xplore, accessed November 26, 2025, https://ieeexplore.ieee.org/iel7/6287639/10380310/10399770.pdf
  27. Towards Robust Defense against Customization via Protective Perturbation Resistant to Diffusion-based Purification - arXiv, accessed November 26, 2025, https://arxiv.org/html/2509.13922v2
  28. [2205.07460] Diffusion Models for Adversarial Purification - arXiv, accessed November 26, 2025, https://arxiv.org/abs/2205.07460
  29. Lightweight Deepfake Detection on Mobile Devices Using Attention-Enhanced MobileNet and Frequency Domain Analysis - ResearchGate, accessed November 26, 2025, https://www.researchgate.net/publication/390978624_Lightweight_Deepfake_Detection_on_Mobile_Devices_Using_Attention-Enhanced_MobileNet_and_Frequency_Domain_Analysis
  30. The AI Shadow War: SaaS vs. Edge Computing Architectures - arXiv, accessed November 26, 2025, https://arxiv.org/html/2507.11545v1
  31. DeepFake Detection in Dyadic Video Calls using Point of Gaze Tracking - arXiv, accessed November 26, 2025, https://arxiv.org/html/2509.25503v1
  32. Deepfake Attack Prevention: Protect Your Identity Verification Systems - Microblink, accessed November 26, 2025, https://microblink.com/resources/blog/deepfake-attacks/
  33. A Lightweight and Interpretable Deepfakes Detection Framework - arXiv, accessed November 26, 2025, https://arxiv.org/html/2501.11927v1
  34. OpenFake: An Open Dataset and Platform Toward Large-Scale Deepfake Detection - arXiv, accessed November 26, 2025, https://arxiv.org/html/2509.09495v1

贡献者 ​

The avatar of contributor named as pansin pansin

文件历史 ​

用 ♥ 撰写

CC BY-SA 4.0 © 2022-PRESENT Nólëbase 的创作者们