深度伪造检测模型的比较分析：新方法与视角

深度伪造视频日益增长的威胁能够操纵现实并散布虚假信息，推动了有效检测方法的紧迫需求。本工作检验并比较了不同方法，用于识别深度伪造，重点关注GenConViT模型及其在DeepfakeBenchmark中其他架构的性能。为阐释研究，讨论了深度伪造的社会和法律影响，以及其创建和检测的技术基础，包括数字图像处理、机器学习和人工神经网络，强调卷积神经网络（CNN）、生成对抗网络（GAN）和Transformer。模型的性能评估使用相关指标和新建立的文献中数据集（如WildDeep-fake和DeepSpeak）进行，旨在识别对抗虚假信息和媒体操纵的最有效工具。获得的结果表明，GenConViT在微调后在准确性（93.82%）和泛化能力方面优于DeepfakeBenchmark中的其他架构，在DeepSpeak数据集上表现突出。这项研究推动了深度伪造检测技术的发展，为开发更稳健和有效的解决方案以抵制虚假信息的传播作出了贡献。