Real is not True：针对深度伪造检测的后门攻击

恶意深度伪造应用的泛滥引发了公众的极大担忧，给数字媒体的完整性蒙上了阴影。尽管已开发出高效的深度伪造检测机制，但它们仍然表现出对各类攻击的显著脆弱性。值得注意的是，现有的攻击库主要由对抗样本攻击组成，且主要发生在测试阶段。在本研究中，我们引入了一种名为 Bad-Deepfake 的开创性范式，代表了针对深度伪造检测器的后门攻击的全新尝试。我们的方法依赖于对训练数据子集的策略性操纵，从而能够对训练模型的操作特性施加不成比例的影响。这种操纵利用了深度伪造检测器固有的弱点，使我们能够设计触发器并审慎选择最有效的样本来构建中毒集合。通过这些复杂技术的协同融合，我们取得了卓越的性能——对广泛使用的深度伪造检测器实现了 100% 的攻击成功率 (ASR)。