Deepfakes：我们需要重新思考“真实”图像的概念
计算机视觉与模式识别
2026-05-04 v2
摘要
现代图像生成模型的广泛可用性和低使用门槛引发了人们对犯罪行为和负面社会影响的合理担忧。机器学习社区通过大量提出用于检测“伪造”（例如完全生成或部分篡改的）图像的算法解决方案的出版物来应对这一问题。尽管在问题的技术解决方案方面无疑取得了一些进展，但我们认为当前和以往的工作过于关注生成算法和“伪造”数据样本，而忽视了对“真实”图像的明确定义和数据收集。“什么是真实图像？”这个基本问题可能看起来相当具有哲学性，但我们的分析表明，基本上所有当前“伪造”检测方法的开发和评估都依赖于少数几个相当陈旧的低分辨率“真实”图像数据集，如 ImageNet。然而，获取“真实”图像的技术，即拍照，在过去十年中发生了巨大的演变：如今，超过 90% 的照片是由智能手机拍摄的，这些手机通常使用算法从多个传感器（随时间变化）的多个输入中计算生成图像。基于这些图像形成算法通常是神经网络架构，且与“伪造”图像生成器密切相关这一事实，我们提出以下立场：今天，我们需要重新思考“真实”图像的概念。这篇立场论文的目的是引起人们对这一活跃研究领域当前缺陷的关注，并引发关于检测“伪造”图像究竟是否是一个合理目标的公开讨论。至少，我们需要对“真实”图像有明确的技术定义以及新的基准数据集。
引用
@article{arxiv.2509.21864,
title = {Deepfakes: we need to re-think the concept of "real" images},
author = {Janis Keuper and Margret Keuper},
journal= {arXiv preprint arXiv:2509.21864},
year = {2026}
}