超越静态人工物：面向视觉语言模型的视频深度伪造推理基准
计算机视觉与模式识别
2026-02-26 v1 人工智能
摘要
当前用于深度伪造检测的视觉语言模型（VLMs）在识别空间人工物方面表现出色，但忽略了一个关键维度：视频伪造的时序不一致性。将 VLMs 适应于推理这些动态线索仍是一个_distinct 挑战。为弥合这一差距，我们提出了 Forensic Answer-Questioning（FAQ）——一个大型基准，將时序深度伪造分析形式化为多选任务。FAQ 引入了一个三级层次结构，逐步评估并使 VLMs 具备法医学能力：(1) 面部感知，测试识别静态视觉人工物的能力；(2) 时序深度伪造定位，要求在帧之间定位动态伪造人工物；(3) 法医学推理，挑战模型综合证据作出最终真实性判断。我们在 FAQ 上评估了各种 VLMs，并生成相应的指令微调集 FAQ-IT。大量实验表明，在 FAQ-IT 上微调的模型在 both in-domain 和 cross-dataset 检测基准上实现了 advanced performance。消融研究进一步验证了我们关键设计选择的影响，确认 FAQ 是 VLMs 时序推理能力的驱动力。
引用
@article{arxiv.2602.21779,
title = {Beyond Static Artifacts: A Forensic Benchmark for Video Deepfake Reasoning in Vision Language Models},
author = {Zheyuan Gu and Qingsong Zhao and Yusong Wang and Zhaohong Huang and Xinqi Li and Cheng Yuan and Jiaowei Shao and Chi Zhang and Xuelong Li},
journal= {arXiv preprint arXiv:2602.21779},
year = {2026}
}
备注
16 pages, 9 figures. Submitted to CVPR 2026