![]()
虽然针对Deepfake深度伪造的危害，研究者们提出了基于不同角度的检测算法，但是在实际的Deepfake相关案例中，鲜有检测算法被成功应用于司法判决。我们分析，在当前领域内的研究中，尚缺乏一条完整的桥梁，可以将Deepfake检测模型与其在实际案例中的应用联系起来。
本综述从可靠性的角度全面回顾了当前领域内的Deepfake检测模型，并提出了三个值得研究者们持续探索的话题和挑战（图1）：迁移性（transferability），可解释性（interpretability），鲁棒性（robustness）。除了深入探讨这三个话题的意义以及总结相关工作之外，我们还提出了一个针对模型可靠的评估方法。该方法通过构建和模拟真实世界中的Deepfake population，结合随机采样的方法，科学地评估检测模型的可靠性，从而提供关于Deepfake检测模型性能的统计学指标，作为法庭审判的潜在证据和辅助证据。该可靠性评估方法的初步探索，旨在提供一条路线可以使Deepfake检测模型们能够在实际生活案例中真正发挥价值。 ![]()
图1 关于三种话题和挑战的阐述
论文信息
相关论文已被ACM Computing Surveys录用，作者是香港大学的王天一、Kam Pui Chow，湖南大学的廖鑫，圭尔夫大学的林晓东，和齐鲁工业大学（山东省科学院）的王英龙。文章第一作者王天一博士毕业于香港大学，目前是新加坡南洋理工大学博士后研究员。Tianyi Wang, Xin Liao, Kam Pui Chow, Xiaodong Lin, Yinglong Wang. Deepfake Detection: A Comprehensive Study from the Reliability Perspective. In ACM Computing Surveys, 2024.供稿人：王天一
原文链接：https://arxiv.org/abs/2211.10881
