深度伪造检测中的性能衰减：基于过时数据训练的局限性
计算机视觉与模式识别
2025-11-11 v1
摘要
深度伪造技术日益完善，加剧了虚假信息、欺诈和骚扰的威胁，使生成的合成内容日益难以区分于现实。我们引入一种简单而有效的两阶段检测方法，实现了在当代深度伪造上的AUROC超过99.8%。然而，这种高性能是短暂的。我们表明，训练数据所训练的模型在评估仅六个月后生成的深度伪造时，召回率会下降超过30%，显示示威力随威胁演变而显著衰减。我们的分析揭示了两项关键见解以实现稳健检测。首先，持续的性能需要持续 curate 大规模多样化数据集。其次，预测能力主要来自静态的帧级残留，而非时序不一致。因此，有效的深度伪造检测未来取决于快速数据收集和开发先进的帧级特征检测器。
引用
@article{arxiv.2511.07009,
title = {Performance Decay in Deepfake Detection: The Limitations of Training on Outdated Data},
author = {Jack Richings and Margaux Leblanc and Ian Groves and Victoria Nockles},
journal= {arXiv preprint arXiv:2511.07009},
year = {2025}
}