Omni-Fake：统一多模态社交媒体深度伪造检测基准
机器学习
2026-05-05 v1 计算复杂性
离散数学
组合数学
摘要
多模态深度伪造正在社交媒体上快速扩散，威胁真实性、信息完整性和数字取证。现有基准受限于单一模态范围、简化的操纵或不切实际的分布，限制了其在现实世界鲁棒性评估的能力。为此，我们提出 Omni-Fake，一个用于社交媒体场景下全面多模态深度伪造检测的统一数据集。它包含 Omni-Fake-Set，规模庞大且质量高，拥有 100 万以上样本；以及 Omni-Fake-OOD，一个包含 20 万以上样本的 out-of-distribution 测试集，故意排除在训练之外，以评估泛化能力。Omni-Fake 覆盖四种模态（图像、音频、视频和音频-视频说话人），支持联合检测-定位-解释协议。在 Omni-Fake 之上，我们进一步提出 Omni-Fake-R1，一个基于强化学习的多模态检测器，能自适应地整合视觉和听觉线索，并输出结构化决策、定位和自然语言解释。大量实验表明，Omni-Fake 在检测准确率、跨模态泛化和可解释性方面显著优于最先进的基线。项目页面：https://tianxiao1201.github.io/omni-fake-project-page/
引用
@article{arxiv.2605.01637,
title = {The Banach-Butterfly Invariant: Influence-Adaptive Walsh Geometry for Ternary Polynomial Threshold Functions},
author = {Gorgi Pavlov},
journal= {arXiv preprint arXiv:2605.01637},
year = {2026}
}
备注
21 pages, 3 figures. Theory paper; LLM-application companion in preparation. Code, certificates, and 616,126 NPN-canonical n=5 representatives in supplementary repository