弥合差距：一种通过社交网络压缩仿真实现真实世界视频深度伪造检测的框架
计算机视觉与模式识别
2025-09-15 v2 人工智能
摘要
社交媒体上 AI 生成视频的日益增多给深度伪造检测带来了新挑战，因为在受控条件下训练的检测器通常难以泛化到真实世界场景。造成这一差距的一个关键因素是 YouTube 和 Facebook 等平台所采用的激进、专有压缩，这些压缩抹去了低级取证线索。然而，由于 API 限制和数据共享约束，大规模复现这些转换十分困难。基于这些原因，我们提出了首个框架，通过从一小批上传视频中估计压缩和缩放参数来仿真社交网络的视频分享流程。这些参数使得本地仿真器能够在不直接访问 API 的情况下，在大型数据集上复现平台特有的伪影。在通过社交网络分享的 FaceForensics++ 视频上的实验表明，我们的仿真数据与真实上传视频的退化模式高度匹配。此外，在仿真视频上微调的检测器取得了与在真实分享媒体上训练的检测器相当的性能。我们的方法为弥合深度伪造检测器在实验室训练与真实世界部署之间的差距提供了一种可扩展且实用的解决方案，尤其是在压缩视频内容这一探索不足的领域。
引用
@article{arxiv.2508.08765,
title = {Bridging the Gap: A Framework for Real-World Video Deepfake Detection via Social Network Compression Emulation},
author = {Andrea Montibeller and Dasara Shullani and Daniele Baracchi and Alessandro Piva and Giulia Boato},
journal= {arXiv preprint arXiv:2508.08765},
year = {2025}
}