SEED：面向顺序深度伪造人脸编辑的大规模基准数据集

社交网络上的深度伪造内容日益通过对生物特征（如人脸图像）进行多次\emph{顺序}编辑来生成。因此，图像的最终外观往往反映了一系列潜在操作，而非单一次操作。恢复这些编辑历史对于视觉源 provenance 分析、误信息审计，以及必须追溯AI生成媒体来源和演变的取证或平台监管工作至关重要。然而，现有数据集主要关注单步编辑，忽略了真实多步骤管道引入的累积性迹象。为填补这一差距，我们引入Sequential Editing in Diffusion（\textbf{SEED}），这是用于人脸图像顺序源 provenance 追踪的大规模基准数据集。SEED包含超过9万张图像，这些图像通过基于扩散的编辑管道进行一次到四次的顺序属性编辑，包含细粒度注释，包括编辑顺序、文本指令、操纵掩码和生成模型。这些元数据可支持逐步证据分析并辅助伪造检测、序列预测。为评估SEED所带来的挑战，我们评估了代表性分析策略，观察到空间方法在面对细微且分布式的扩散迹象时难以应对，尤其当这些迹象在多次编辑中累积时。受此启发，我们进一步建立了\textbf{FAITH}——一个频率感知Transformer基线模型，通过聚合空间和频率域线索来识别和排序潜在的编辑事件。结果表明，高频信号，特别是小波分量，即使在图像退化情况下也能提供有效线索。总体而言，SEED促进了系统性地研究顺序源 provenance 追踪和证据聚合，以实现对AI生成视觉内容可信分析。