超越闪烁：检测深层伪造视频中的运动学不一致性以实现更通用的深度伪造检测
计算机视觉与模式识别
2026-04-13 v2
摘要
将深度伪造检测泛化到不可见的操纵方式仍是关键挑战。近期一种方法是通过使用手工制作的人工 artifact 项目的原始人脸图像来训练网络，以提取更具普适性的线索。虽然该方法对静态图像有效，但将其扩展到视频领域仍是未解决的问题。现有方法将时序 artifact 模型为帧与帧之间的不稳定性，忽略了一个关键漏洞：不同面部区域之间自然运动依赖关系的违反。在本文中，我们提出一种合成视频生成方法，创建带有细微运动学不一致性的训练数据。我们训练一个自编码器，将面部 landmarks 配置分解为运动基。通过操控这些基，我们有选择地破坏面部运动的自然相关性，并通过面部 morphing 将这些 artifact 引入原始视频。在我们的数据上训练的网络能够识别这些精细的生物力学缺陷，在多个流行基准测试上实现了最先进的泛化结果。
引用
@article{arxiv.2512.04175,
title = {Beyond Flicker: Detecting Kinematic Inconsistencies for Generalizable Deepfake Video Detection},
author = {Alejandro Cobo and Roberto Valle and José Miguel Buenaposada and Luis Baumela},
journal= {arXiv preprint arXiv:2512.04175},
year = {2026}
}