DDL: A Large-Scale Datasets for Deepfake Detection and Localization in Diversified Real-World Scenarios

近期AIGC技术的进步加剧了恶意深度伪造内容的滥用，使得可靠的深度伪造检测方法的开发成为解决这一挑战的关键手段。虽然现有深度伪造检测模型在检测指标上表现出色，但大多数方法仅提供简单的二元分类结果，缺乏可解释性。近期研究尝试通过提供空间操作掩码或时间伪造片段来增强分类结果的可解释性。然而，由于伪造数据集的局限，实际效果仍不理想。主要原因在于，大多数现有深度伪造数据集仅包含二元标签，伪造情景种类有限，深度伪造类型缺乏多样性，数据规模相对较小，难以满足复杂现实情景的需求。为此，我们构建了一个新型的大型深度伪造检测与定位(DDL)数据集，包含超过$\textbf{1.4M+}$伪造样本，涵盖最高$\textbf{80}$种不同的深度伪造方法。DDL设计包含四项关键创新：(1)综合性深度伪造方法(覆盖7种不同的生成架构和80种方法)；(2)多样化操作模式(纳入7种经典和3种新型伪造模式)；(3)多样化伪造情景与模态(包括3种情景和3种模态)；(4)细粒度伪造标注(提供1.18M+精确空间掩码和0.23M+精确时间片段)。通过这些改进，DDL不仅为复杂现实伪造提供更具挑战性的基准，还为构建下一代深度伪造检测、定位和可解释性方法提供了关键支持。