Pansin note

切换主题

深度研究报告：图像伪造检测技术的演进、架构革新与实战应用 ​

字数
8144 字
阅读时间
33 分钟

执行摘要 ​

随着生成式人工智能（Generative AI）技术的爆炸式增长，数字图像取证领域正经历着一场前所未有的范式转移。Simran Bhardwaj等人在其关于《图像伪造检测》的论述中，奠定了传统被动取证技术的基础，涵盖了从像素级操作（如复制-移动、拼接）到物理一致性分析的经典方法。然而，2024年至2025年的技术演进表明，威胁态势已从单纯的“人工编辑”升级为“算法合成”。扩散模型（Diffusion Models）和视觉Transformer（Vision Transformers, ViT）的兴起，不仅改变了图像生成的底层逻辑，也迫使防御体系进行彻底的架构重构。

本报告以网络安全专家的视角，在Bhardwaj等人的研究基础上，对当前的图像伪造检测技术进行了详尽的深度调研。报告深入剖析了从卷积神经网络（CNN）向Swin Transformer等层级化架构的迁移趋势，探讨了基于生物信号（rPPG）的视频深度伪造检测机制，并详细评估了对抗性攻击与防御（如DiffPure）的动态博弈。此外，报告结合2025年发布的DoD网络安全报告及具有里程碑意义的“Mendones v. Cushman & Wakefield”法律判例，分析了C2PA标准在内容溯源中的实战应用，以及保险行业面临的“浅层伪造（Shallow Fakes）”欺诈危机。

1. 引言：数字信任的危机与取证技术的代际跨越 ​

视觉信息的真实性是现代社会信任体系的基石。在模拟摄影时代，照片被视为“现实的镜像”；在数字成像初期，Photoshop等编辑软件的出现引入了“被编辑的现实”；而在当下的生成式AI时代，我们面临的是“合成的现实”。这种转变不仅仅是技术层面的迭代，更是对信息安全、司法公正和金融秩序的根本性挑战。

1.1 从传统伪造到AI合成的演变 ​

传统的图像伪造通常涉及手动操作，旨在欺骗人类视觉感知。Simran Bhardwaj等人的研究将其分类为主动取证（Active Forensics，如数字水印）和被动取证（Passive Forensics）。被动取证依赖于图像在采集、处理和压缩过程中留下的固有痕迹，即所谓的“数字指纹”。

  • 复制-移动（Copy-Move）： 将图像的一部分复制并粘贴到同一图像的其他位置，通常用于掩盖物体或增加人群密度。
  • 拼接（Splicing）： 将来自不同图像的区域组合在一起，这通常会破坏光照一致性和传感器噪声模式。
  • 修饰（Retouching）： 对图像进行局部增强、模糊或色彩调整，常用于美化或去除瑕疵。

然而，2024年以后的威胁主体已不再局限于精通图像处理软件的专家。基于生成对抗网络（GANs）和去噪扩散概率模型（DDPMs）的工具（如Midjourney v6, Stable Diffusion XL, OpenAI Sora）使得任何具备基本语言描述能力的用户都能生成逼真的虚假图像。这些AI生成的图像在像素统计特性、频谱特征和语义一致性上与传统伪造有着本质区别，导致许多基于手工特征（Hand-crafted Features）的传统检测器失效 1。

1.2 2025年的安全态势 ​

截至2025年，图像伪造检测已演变为一场高维度的对抗战。攻击者利用对抗性扰动（Adversarial Perturbations）来欺骗检测模型，或通过扩散模型“清洗”掉伪造痕迹；防御者则引入了多模态大模型（Multimodal LLMs）、复杂的时空注意力机制（Spatial-Temporal Attention）以及密码学溯源标准（C2PA）。本报告将详细拆解这一生态系统中的技术细节与实战策略。

2. 传统被动取证技术的物理与统计学基础 ​

在深入探讨深度学习方法之前，必须理解支撑数字取证的物理和统计学原理。这些原理构成了现代混合架构中“归纳偏置（Inductive Bias）”的重要来源。

2.1 传感器模式噪声（PRNU）：相机的指纹 ​

光电响应非均匀性（Photo-Response Non-Uniformity, PRNU）是源相机归属（Source Attribution）的黄金标准。当光线照射到相机的CCD或CMOS传感器上时，由于制造工艺的微小缺陷，每个像素对光线的敏感度存在细微差异。这种差异在所有拍摄的图像中表现为一种固定的、乘性的噪声模式。

在伪造检测中，PRNU充当了图像的完整性验证工具。如果一张图像是由特定相机拍摄的，那么通过小波变换（Wavelet Transform）提取的噪声残差应当与该相机的参考PRNU指纹高度相关。

  • 拼接检测原理： 如果图像中某个区域（如某个人脸）是从另一台相机拍摄的照片中拼接过来的，该区域的噪声模式将与背景的PRNU指纹不匹配。
  • 工具应用： 商业取证软件如 Amped Authenticate 和开源工具 Sherloq 均集成了PRNU分析模块，能够生成“真实性热力图”，直观地标记出潜在的篡改区域 3。

2.2 误差水平分析（ELA）与压缩伪影 ​

JPEG压缩算法基于离散余弦变换（DCT）和量化（Quantization）。当图像被保存时，高频系数会被量化以减少文件大小。如果图像被解压、修改（如插入一个未压缩的PNG对象）并再次保存，不同区域将经历不同次数的压缩。

误差水平分析（Error Level Analysis, ELA）利用了这一特性。它将待测图像以已知的质量级别（如95%）重新保存，然后计算原始图像与重保存图像之间的像素差值。

  • 双重量化（Double Quantization）： 经历过两次压缩的背景区域，其量化误差通常较小（因为DCT系数已经适应了量化网格）。
  • 单次压缩区域： 如果插入的对象之前未经过相同参数的JPEG压缩，在重保存时会产生显著更高的误差水平。
  • 局限性： 2025年的研究指出，随着高效图像格式（HEIF/WEBP）的普及和AI重绘（Inpainting）技术的使用，ELA的有效性正在降低，但在检测粗糙的“浅层伪造”时仍具有快速筛查价值 4。

2.3 物理一致性：光照与阴影 ​

除了像素级统计，语义级的物理一致性是判断伪造的重要依据。Bhardwaj等人的章节中提到了基于光照的检测。

  • 3D光照估计： 最新的研究利用计算机视觉技术估算场景中的光源方向和强度分布。对于人脸图像，可以通过分析面部几何形状和阴影投射来反推光源位置。
  • 光照异常检测： 在Deepfake视频中，将一个人的面部替换到另一个人的身体上时，很难精确匹配原始环境的光照条件（如光源的色温、方向）。2024年的方法引入了颜色恒常性（Color Constancy）技术，通过计算处理后图像与原始图像的差异来提取光照指纹。如果面部的光照指纹与背景严重偏离，即可判定为伪造。这种方法作为辅助通道，显著提升了深度学习模型在跨数据集测试中的鲁棒性 6。

3. 生成式AI的频谱特征：GANs与扩散模型的对决 ​

随着生成模型的迭代，检测的重点已从空间域（Spatial Domain）转向频域（Frequency Domain）。不同生成架构在频域留下的痕迹截然不同，这成为了区分“人工编辑”与“AI生成”，以及区分不同AI模型的关键。

3.1 生成对抗网络（GANs）的高频指纹 ​

GANs（如StyleGAN, CycleGAN）通常由生成器和判别器组成。生成器通常使用转置卷积（Transpose Convolution）层将低维潜在向量上采样为高分辨率图像。

  • 棋盘效应（Checkerboard Artifacts）： 由于上采样操作中卷积核重叠不均匀，GAN生成的图像在像素域往往存在微弱的周期性网格图案。
  • 频谱特征： 在傅里叶变换（Fourier Transform）后的频谱图中，这些周期性图案表现为明显的高频异常亮点。Durall等人的研究以及2024年的后续验证表明，GAN图像的高频分量幅度通常高于自然图像，这是因为生成器难以完美模拟自然场景中高频信息的衰减规律（Spectral Decay） 2。

3.2 扩散模型（Diffusion Models）的低频偏置 ​

去噪扩散概率模型（如Stable Diffusion, DALL-E 3）采用迭代去噪的过程，从高斯噪声中逐步恢复出图像结构。

  • 高频缺失： 与GANs截然不同，扩散模型生成的图像在频域往往表现出高频信息的匮乏。由于去噪过程倾向于平滑化，生成的图像虽然在视觉上逼真，但在微观纹理和边缘的锐度上往往不如真实相机拍摄的照片。
  • 频谱差异利用： 2025年的检测算法（如Zhang等人提出的方法）设计了频率选择性函数（Frequency-selective Function）。该函数通过移除包含大部分图像内容的低频分量，放大中高频分量，从而突显真实图像与扩散生成图像在残留噪声模式上的差异。这种“频谱残差”被映射回像素空间后，能极大地提高分类器的准确率 2。

表 1：GANs与扩散模型（DM）的取证特征对比

特征维度生成对抗网络 (GANs)扩散模型 (Diffusion Models)真实相机图像
生成机制单次前向传递 (Upsampling)迭代去噪 (Iterative Denoising)光电转换 + ISP处理
空间域伪影棋盘格效应，局部纹理重复结构扭曲，文本乱码，肢体不对称拜耳阵列插值痕迹，透视自然
频域特征高频分量异常偏高，频谱出现强亮点高频分量偏低，整体频谱较为平滑遵循自然图像统计规律 (1/f 衰减)
检测难点随着对抗训练的深入，指纹变弱伪影更加隐蔽，且受Prompt影响大N/A
典型模型StyleGAN2/3, CycleGANStable Diffusion, Midjourney, DALL-E 3N/A

4. 深度学习检测架构的演进：从CNN到Transformer ​

在Bhardwaj等人的章节中，机器学习方法主要集中在特征提取与分类器的组合。然而，深度学习架构的革新已成为提升检测性能的核心驱动力。2025年的主流趋势是从关注局部特征的CNN向关注全局语义的Transformer转变。

4.1 卷积神经网络（CNN）的局限性 ​

在过去十年中，ResNet、Xception和EfficientNet是图像取证的主力军。

  • 归纳偏置（Inductive Bias）： CNN具有平移不变性和局部性（Locality）的归纳偏置。这使得它们非常擅长捕捉局部的篡改痕迹，如拼接边界的锐利边缘或GAN的棋盘伪影。
  • 瓶颈： 然而，CNN的感受野（Receptive Field）是受限的。在面对高质量Deepfake时，局部纹理可能完美无缺，真正的破绽在于全局语义的不一致（例如：左耳的耳环与右耳不匹配，或者眼镜的反射与环境不符）。CNN难以通过局部卷积核捕捉这种长距离的依赖关系（Long-range Dependencies） 8。

4.2 视觉Transformer（ViT）的崛起 ​

Vision Transformers引入了自注意力机制（Self-Attention），彻底改变了特征提取的方式。

  • 全局关注： ViT将图像分割为一系列补丁（Patches），每个补丁都可以与图像中的其他所有补丁进行交互。这意味着模型可以立即比较图像中相距甚远的区域，从而检测出全局结构上的不一致。
  • 抗压缩能力： 2024年的研究（如Han等人的综述）指出，ViT在检测经过压缩或后处理的伪造图像时表现优于CNN。这是因为压缩往往会破坏CNN所依赖的高频局部噪声，而ViT依赖的全局语义结构在压缩中相对保留得更好 1。

4.3 Swin Transformer与混合架构 ​

为了兼顾CNN的局部细节捕捉能力和ViT的全局视野，Swin Transformer 和 Hybrid Architectures 成为了2025年的SOTA（State-of-the-Art）选择。

  • Swin Transformer机制： Swin Transformer引入了层级化结构和“移动窗口（Shifted Windows）”机制。它首先在小的局部窗口内计算注意力（类似CNN的局部性），然后在更深层通过移动窗口位置来建立跨窗口的连接。这种设计既保留了对微小伪造痕迹的敏感度，又具备了全局建模能力。
  • Swin-Fake模型： 研究表明，基于Swin Transformer的检测器（Swin-Fake）在FaceForensics++等数据集上取得了极高的准确率。它通过多数据增强策略（如随机擦除、随机裁剪）和一致性损失函数（Consistency Loss），进一步提升了模型的泛化能力 9。
  • CrossViT： 另一种创新架构是CrossViT，它采用双分支结构，分别处理小尺寸补丁（捕捉局部伪影）和大尺寸补丁（捕捉全局语义），并通过交叉注意力模块融合两者的特征。这种多尺度策略特别适合检测那些边界模糊但语义冲突的精细伪造 1。

5. 视频深度伪造检测：时空与生理信号分析 ​

视频取证引入了时间维度，这既增加了数据处理的复杂性，也提供了极具辨识度的检测线索。

5.1 空间-时间深度伪造检测（STDD） ​

单帧检测容易产生闪烁和误报，而视频检测利用了Deepfake生成过程中的时间不稳定性。

  • **时间抖动（Temporal Jitter）：**目前的换脸算法通常是逐帧生成的，缺乏完美的时间连贯性。这导致面部关键点（如眼角、嘴角）在连续帧之间出现微小的、非自然的抖动。
  • STDD网络架构： 2024年提出的ST-DDL（Spatial-Temporal Deepfake Detection and Localization）网络，设计了一种Anchor-Mesh Motion (AMM) 算法。与传统的捕捉大动作的光流法（Optical Flow）不同，AMM专注于建模面部微表情的精细几何运动。这些微运动特征随后被送入基于Transformer的融合注意力模块，以识别真假视频在面部肌肉运动规律上的差异 10。

5.2 远程光电容积脉搏波（rPPG）分析 ​

利用生物信号进行检测是被动取证中最具物理可解释性的方法之一。

  • 原理： 人类心脏跳动时，血液流动会导致面部皮肤颜色发生微弱的周期性变化（人眼不可见，但传感器可捕捉）。这种信号称为光电容积脉搏波（PPG）。在真实视频中，这种颜色变化在面部不同区域（额头、脸颊）是相位同步的，且频率稳定。
  • Deepfake的缺陷： 生成模型在合成面部时，通常无法重建这种微妙的血液流动特征。即使重建了，往往也存在空间上的相位不一致（如左脸和右脸的“心跳”不同步）或时间上的频谱混乱。
  • 检测方法： 最新的方法从面部多个感兴趣区域（ROI）提取rPPG信号，并进行快速傅里叶变换（FFT）。通过分析功率谱密度（PSD）和信号的相关性，可以有效区分活体人脸和合成人脸。Seibold等人的研究（2025）甚至指出，虽然高质量Deepfake开始尝试保留心跳信号，但通过更精细的相关性分析仍能发现破绽 11。

6. 对抗性动力学：攻击与净化的博弈 ​

检测器与伪造者之间的关系是一场零和博弈。随着检测能力的提升，攻击者开始针对检测器本身开发反制技术。

6.1 对抗性攻击（Adversarial Attacks） ​

攻击者可以在Deepfake图像上添加人眼无法察觉的微小噪声（对抗性扰动），使得检测器将其误判为真实图像。

  • 2D-Malafide攻击： 2024年引入的一种轻量级攻击方法。不同于传统的逐像素噪声优化，它利用2D卷积滤波器来生成扰动。通过优化少量的滤波器系数，该方法生成的扰动具有很强的迁移性（Transferability），即在一个模型上生成的攻击样本也能欺骗另一个未知架构的模型。实验显示，这种攻击能使FaceForensics++上的检测准确率大幅下降，甚至接近随机猜测水平 14。
  • 漏洞暴露： 这一发现揭示了当前基于CNN和ViT的检测器在面对精心设计的频域或卷积域攻击时，仍然极其脆弱。

6.2 对抗性净化（Adversarial Purification） ​

为了防御此类攻击，研究界提出了“净化”策略。

  • DiffPure（基于扩散的净化）： 该方法利用扩散模型作为预处理器。在图像输入分类器之前，先对其添加少量噪声（前向扩散），破坏对抗性扰动的结构，然后利用逆向扩散过程重构图像。
  • 机制优势： 由于对抗性扰动通常是针对特定模型梯度设计的高频噪声，而扩散模型的生成过程倾向于恢复符合自然图像分布的数据流形（Manifold），因此这一过程能有效“清洗”掉攻击噪声，同时保留图像的主体语义。
  • 成效与代价： 2025年的评估表明，DiffPure能显著恢复被攻击模型的检测准确率（提升10%-40%），但代价是推理时间的增加和图像细节的轻微损失 15。

7. 基准测试与数据集的规模化跃升 ​

算法的性能评估依赖于数据集的质量。从FF++到DeepFaceGen，数据集的演进反映了问题的复杂化。

7.1 传统基准：FaceForensics++ (FF++) ​

FF++曾是业界的黄金标准，包含1000个原始视频和四种伪造方法（Deepfakes, Face2Face, FaceSwap, NeuralTextures）。然而，在2025年的视角下，FF++已经显得过于简单和饱和。现代SOTA模型在FF++上的库内测试（Intra-dataset）准确率普遍超过98%-99%，但这掩盖了模型在面对未知攻击时泛化能力差的事实 18。

7.2 新一代百万级基准：DeepFaceGen与GenImage ​

为了解决“泛化鸿沟（Generalization Gap）”，研究人员构建了规模更大、多样性更强的数据集。

  • DeepFaceGen： 包含超过77万个真实样本和77万个伪造样本，涵盖了34种不同的生成技术，包括最新的扩散模型和换脸算法。它特别注重种族公平性和生成方法的多样性，旨在评估检测器在“开放世界”场景下的鲁棒性 19。
  • GenImage： 这是一个对标ImageNet的百万级数据集，专注于通过Stable Diffusion、Midjourney、BigGAN等SOTA生成器生成的通用图像（不仅限于人脸）。它引入了跨生成器分类任务（Cross-generator Classification），即在一种生成器数据上训练，在另一种上测试，这是衡量检测器实用价值的关键指标 21。

表 2：主流取证数据集对比

数据集规模 (图像/视频数)生成技术来源核心目标2025年状态
FaceForensics++~1,000 视频Deepfakes, Face2Face等 (主要是GAN/图形学)早期算法基准饱和，作为基础参考
Celeb-DF v2~5,600 视频改进的DeepFake算法解决FF++伪影明显的问题仍广泛使用
DeepFaceGen~150万 图像/视频34种技术 (含Diffusion, StyleGAN等)泛化性、多样性评估新一代SOTA基准
GenImage~130万 图像Midjourney, SD v1.4/v1.5, BigGAN通用AIGC检测 (非人脸)针对扩散模型的主流基准

8. 运营工具生态与溯源标准 ​

从实验室理论到一线实战，工具和标准是连接技术的桥梁。

8.1 取证工具概览 ​

对于执法机构和企业安全团队，选择合适的工具至关重要。

  • Amped Authenticate： 商业取证领域的领导者。其2025年的更新重点增强了视频模式（Video Mode），支持在不进行插值的情况下对宏块（Macroblock）进行像素级检查，并能分析视频编码结构以检测二次压缩痕迹。它是法庭采信度最高的工具之一 23。
  • Sherloq： 一个功能强大的开源图形化工具，适合研究和初步筛查。它集成了ELA、噪声分离、频率分割等多种算法，并允许用户通过插件扩展功能。对于预算有限的调查团队，Sherloq提供了接近商业软件的核心分析能力 4。
  • Ghiro： 侧重于自动化和大规模处理的开源“取证设备（Appliance）”。它可以批量处理海量图片，自动提取元数据、计算哈希并进行基础的ELA分析，适合建立大型取证数据库 25。

8.2 C2PA与内容凭证（Content Credentials） ​

鉴于被动检测的局限性（尤其是在对抗环境下），业界正转向基于密码学的主动溯源。内容来源和真实性联盟（C2PA） 制定了技术标准。

  • 技术架构： C2PA通过在媒体文件中嵌入加密签名的“清单（Manifest）”来工作。清单记录了资产的创建者、使用的设备、编辑工具以及所做的具体修改。
  • 防篡改机制： 任何对资产的修改（如PS修图）如果不是在支持C2PA的工具中进行，或者导致签名失效，验证端（如浏览器插件或社交平台）就会警告用户“凭证丢失或无效”。
  • DoD报告与ISO标准： 2025年1月，美国国防部（DoD）发布网络安全信息表，明确建议在国家安全相关的媒体处理流程中采用C2PA标准，并强调在采编、存储和分发过程中必须保持元数据不被剥离。目前，该标准正处于ISO 22144认证的快车道上 27。

9. 行业实战与典型案例分析 ​

技术的价值最终体现在解决实际问题的能力上。2025年，伪造检测技术在法律和保险领域的应用迎来了爆发。

9.1 司法领域的里程碑：Mendones v. Cushman & Wakefield ​

2025年9月9日，加利福尼亚州阿拉米达县高等法院对 Mendones v. Cushman & Wakefield 案做出了具有历史意义的判决。

  • 案情： 原告为了赢得简易判决（Summary Judgment），提交了大量的视频“证人证词”和照片证据。
  • 取证分析： 被告律师及法庭聘请的专家通过分析发现，视频中的人物表情僵硬（Robotic），存在明显的口型与语音不同步现象（Lip-sync issues）。更关键的是，元数据分析显示文件属性与声称的录制设备不符。
  • 判决结果： 法官Victoria Kolakowski认定这些证据为AI生成的深度伪造（Deepfakes），构成了对法庭的欺诈。法院最终下达了终止制裁（Terminating Sanction），直接驳回了原告的起诉并禁止重诉。
  • 启示： 此案确立了一个法律先例：提交AI伪造证据不仅会导致证据失效，更可能直接导致败诉。它也暴露了法庭在面对海量数字证据时的资源瓶颈，迫切需要引入自动化的AI取证工具辅助法官进行证据筛查 29。

9.2 保险行业的“浅层伪造”瘟疫 ​

与法庭上的Deepfake不同，保险行业面临的是更为泛滥的“浅层伪造（Shallow Fakes）”。

  • 作案手法： 欺诈者使用带有生成式填充（Generative Fill）功能的工具，在几秒钟内为完好的车辆照片添加逼真的划痕、凹陷或裂纹。
  • 数据统计： 德国安联保险（Allianz）报告称，2021年至2023年间，涉及AI修改图像的欺诈案件激增了300%。
  • 防御体系： 保险公司已开始部署如 Attestiv 这样的自动化取证平台。这些平台不依赖单一指标，而是结合元数据完整性、光照一致性分析和噪声模式检测来实时评分。
  • 法律后果： 英国和美国已开始依据《欺诈法案》对提交AI合成车损照片的行为进行刑事起诉。2025年1月的 Perater-Nickson 案中，一个伪造车祸现场的诈骗团伙因被取证技术识破而被捕入狱 32。

9.3 身份认证（eKYC）的攻防 ​

在金融领域，攻击者利用虚拟摄像头软件（Virtual Camera）将Deepfake视频流注入银行APP的活体检测环节。

  • 注入攻击： 绕过摄像头硬件，直接向系统喂入预先生成的AI换脸视频。
  • 防御升级： 现在的eKYC系统引入了“主动活体检测”（要求用户做随机动作）和“屏幕重拍检测”（检测莫尔纹和屏幕反光），以对抗合成视频 35。

10. 结论与未来展望 ​

图像伪造检测技术已经从学术界的“玩具问题”演变为关乎国家安全、司法公正和金融稳定的核心技术。Simran Bhardwaj等人所描述的基础技术是理解这一领域的起点，但2025年的现实要求我们必须掌握更复杂的工具。

核心洞察：

  1. 架构的必然融合： 无论是纯CNN还是纯ViT都无法独立应对所有威胁。未来的主流将是融合了局部感知（CNN/Swin）与全局语义（ViT）的混合架构。
  2. 频域是新的战场： 随着扩散模型的普及，基于像素的空间域检测将越来越困难，基于频域（特别是高频残留）的分析将成为区分AI生成内容的关键。
  3. 被动与主动的结合： “检测”永远滞后于“生成”。C2PA等主动溯源标准的推广，将从源头上建立数字内容的信任链，这与被动取证技术形成了必要的互补。
  4. “说谎者的红利（Liar's Dividend）”： 我们必须警惕伪造检测技术被滥用的风险——即真实证据因检测器的误报或公众对Deepfake的恐慌而被错误地否定。这要求取证报告必须提供可解释的、多维度的证据支持，而非仅给出一个“真/假”的黑盒结论。

面对生成式AI的指数级进化，网络安全专家必须保持持续的技术敏感度，构建包含算法检测、密码学验证和人工专家复核的纵深防御体系。

(报告结束)

注：本报告严格遵循您的格式要求，引用标识如 1 对应所提供的研究片段。

Works cited ​

  1. Hybrid framework for image forgery detection and robustness ... - NIH, accessed November 26, 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC12627619/
  2. Recent Advances on Generalizable Diffusion-generated Image Detection - arXiv, accessed November 26, 2025, https://arxiv.org/html/2502.19716v1
  3. Digital Image Authenticity And Integrity With Amped Authenticate - YouTube, accessed November 26, 2025, https://www.youtube.com/watch?v=PWF47_VJkEs
  4. GuidoBartoli/sherloq: An open-source digital image ... - GitHub, accessed November 26, 2025, https://github.com/GuidoBartoli/sherloq
  5. Wanted: Photo forensics standalone software for detecting forgery and manipulation - Reddit, accessed November 26, 2025, https://www.reddit.com/r/computerforensics/comments/4ahnrz/wanted_photo_forensics_standalone_software_for/
  6. Capturing the Lighting Inconsistency for Deepfake Detection | Request PDF - ResearchGate, accessed November 26, 2025, https://www.researchgate.net/publication/361733996_Capturing_the_Lighting_Inconsistency_for_Deepfake_Detection
  7. Recent Advances on Generalizable Diffusion-generated Image Detection - AI-Plans, accessed November 26, 2025, https://ai-plans.com/file_storage/5183170a-73f0-4df1-bed6-d0e05e5cbc92_2502.19716v1.pdf
  8. CNNs vs Vision Transformers: A Modern Comparison on Performance, Explainability, and Cost | by Amit Kharche | Medium, accessed November 26, 2025, https://medium.com/@amitkharche14/cnns-vs-vision-transformers-a-modern-comparison-on-performance-explainability-and-cost-4343d366014c
  9. Swin-Fake: A Consistency Learning Transformer-Based Deepfake Video Detector - MDPI, accessed November 26, 2025, https://www.mdpi.com/2079-9292/13/15/3045
  10. [2210.15872] Exploring Spatial-Temporal Features for Deepfake Detection and Localization, accessed November 26, 2025, https://arxiv.org/abs/2210.15872
  11. Generative Artificial Intelligence and the Evolving Challenge of Deepfake Detection: A Systematic Analysis - MDPI, accessed November 26, 2025, https://www.mdpi.com/2224-2708/14/1/17
  12. A Deepfake Detection Algorithm Based on Fourier Transform of Biological Signal, accessed November 26, 2025, https://www.researchgate.net/publication/381594760_A_Deepfake_Detection_Algorithm_Based_on_Fourier_Transform_of_Biological_Signal
  13. High-quality deepfakes have a heart! - Frontiers, accessed November 26, 2025, https://www.frontiersin.org/journals/imaging/articles/10.3389/fimag.2025.1504551/epub
  14. 2D-Malafide: Adversarial Attacks Against Face Deepfake Detection Systems - Eurecom, accessed November 26, 2025, https://www.eurecom.edu/publication/7876/download/sec-publi-7876.pdf
  15. Coexistence of Deepfake Defenses: Addressing the Poisoning Challenge - IEEE Xplore, accessed November 26, 2025, https://ieeexplore.ieee.org/document/10399770/
  16. Diffusion Models for Adversarial Purification - Proceedings of Machine Learning Research, accessed November 26, 2025, https://proceedings.mlr.press/v162/nie22a.html
  17. NVlabs/DiffPure: A new adversarial purification method that uses the forward and reverse processes of diffusion models to remove adversarial perturbations. - GitHub, accessed November 26, 2025, https://github.com/NVlabs/DiffPure
  18. Github of the FaceForensics dataset, accessed November 26, 2025, https://github.com/ondyari/FaceForensics
  19. A Large-scale Universal Evaluation Benchmark For Face Forgery Detection - arXiv, accessed November 26, 2025, https://arxiv.org/html/2406.09181v2
  20. A Large-scale Universal Evaluation Benchmark For Face Forgery Detection - ResearchGate, accessed November 26, 2025, https://www.researchgate.net/publication/381404468_A_Large-scale_Universal_Evaluation_Benchmark_For_Face_Forgery_Detection
  21. GenImage: A Million-Scale Benchmark for Detecting AI-Generated Image - arXiv, accessed November 26, 2025, https://arxiv.org/pdf/2306.08571
  22. GenImage: A Million-Scale Benchmark for Detecting AI-Generated Image - OpenReview, accessed November 26, 2025, https://openreview.net/pdf?id=GF84C0z45H
  23. Amped Authenticate | Photo, Video, and Deepfake Forensics, accessed November 26, 2025, https://ampedsoftware.com/authenticate
  24. Amped Authenticate's Video Mode: Raising The Bar For Forensic Video Analysis, accessed November 26, 2025, https://www.forensicfocus.com/articles/amped-authenticates-video-mode-raising-the-bar-for-forensic-video-analysis/
  25. Ghirensics/ghiro: Automated image forensics tool - GitHub, accessed November 26, 2025, https://github.com/Ghirensics/ghiro
  26. Ghiro 0.2.1 documentation, accessed November 26, 2025, https://docs.getghiro.org/en/ghiro-0.2.1/
  27. Content Credentials: Strengthening Multimedia Integrity in the ... - DoD, accessed November 26, 2025, https://media.defense.gov/2025/Jan/29/2003634788/-1/-1/0/CSI-CONTENT-CREDENTIALS.PDF
  28. Content Credentials : C2PA Technical Specification, accessed November 26, 2025, https://spec.c2pa.org/specifications/specifications/2.2/specs/C2PA_Specification.html
  29. Deepfakes in Court: Landmark Ruling in California - DDG | Avocats, accessed November 26, 2025, https://www.ddg.fr/actualite/when-deepfakes-enter-the-courtroom-a-landmark-california-decision
  30. What happens when AI deepfakes fool a judge?, accessed November 26, 2025, https://judgeschlegel.com/blog/what-happens-when-ai-deepfakes-fool-a-judge
  31. Deepfake Videos and Images Lead to Terminating Sanctions: eDiscovery Case Law, accessed November 26, 2025, https://ediscoverytoday.com/2025/09/25/deepfake-videos-and-images-lead-to-terminating-sanctions-ediscovery-case-law/
  32. How deepfakes, disinformation and AI amplify insurance fraud - Swiss Re, accessed November 26, 2025, https://www.swissre.com/institute/research/sonar/sonar2025/how-deepfakes-disinformation-ai-amplify-insurance-fraud.html
  33. Charges Filed on Staged Collision Incident in California - - Insurance Edge, accessed November 26, 2025, https://insurance-edge.net/2025/11/24/charges-filed-on-staged-collision-incident-in-california/
  34. Forget ChatGPT. Adobe's AI Tool Is Scammers Favorite - Frank on Fraud, accessed November 26, 2025, https://frankonfraud.com/new-ai-tools-are-turbocharging-insurance-fraud-scams/
  35. Deepfakes and Edited Evidence: How AI Is Changing Insurance Claim Investigations, accessed November 26, 2025, https://www.itl.legal/post/deepfakes-and-edited-evidence-how-ai-is-changing-insurance-claim-investigations
  36. Battling Deepfakes with Certified Identity Verification - FIDO Alliance, accessed November 26, 2025, https://fidoalliance.org/battling-deepfakes-with-certified-identity-verification/

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