DeepfakeBench-MM：面向多模态深度伪造检测的综合基准
密码学与安全
2025-10-28 v1 计算机视觉与模式识别
多媒体
摘要
先进生成式 AI 模型的滥用导致虚假数据大规模扩散，尤其是伪造的人类感知音视频内容，这对社会构成重大风险（如金融欺诈和社会不稳定）。针对这一日益严峻的威胁，已有研究进行了初步探索。然而，训练数据不足且缺乏标准化基准测试，阻碍了更深入的探索。为此，我们首先构建 Mega-MMDF—a 大规模、多样且高质量的多模态深度伪造检测数据集。具体而言，我们通过组合 10 种音频伪造方法、12 种视觉伪造方法和 6 种音频驱动的人脸重作方法，构建了 21 条伪造管线。Mega-MMDF 当前包含 0.1 百万真实样本和 1.1 百万伪造样本，堪称目前最大且最具多样性的多模态深度伪造数据集，并计划持续扩展。基于此，我们提出 DeepfakeBench-MM——首个统一的多模态深度伪造检测基准。它在整个检测流程中建立了标准化协议，作为评估现有方法并探索新方法的多功能平台。DeepfakeBench-MM 当前支持 5 个数据集和 11 个多模态深度伪造检测器。进一步的全面评估和深入分析从多个角度（如数据增强、叠加式伪造）揭示了若干关键发现。我们认为，DeepfakeBench-MM 及其大型 Mega-MMDF 将为推动多模态深度伪造检测提供基础设施。
引用
@article{arxiv.2510.22622,
title = {DeepfakeBench-MM: A Comprehensive Benchmark for Multimodal Deepfake Detection},
author = {Kangran Zhao and Yupeng Chen and Xiaoyu Zhang and Yize Chen and Weinan Guan and Baicheng Chen and Chengzhe Sun and Soumyya Kanti Datta and Qingshan Liu and Siwei Lyu and Baoyuan Wu},
journal= {arXiv preprint arXiv:2510.22622},
year = {2025}
}
备注
Preprint