面向综合合成媒体检测：局限性、挑战与多模态解决方案之路

人工智能（AI）在媒体领域的应用在过去十年里取得了快速发展。生成对抗网络（GANs）的出现提升了照片级图像生成的质量。随后，扩散模型带来了新的生成媒体时代。这些进步使得区分真实与合成内容变得困难。深度伪造（deepfakes）的兴起展示了这些工具如何被用于传播虚假信息、政治阴谋论、侵犯隐私和欺诈。为此，已develop许多检测模型。它们常常使用深度学习方法，如卷积神经网络（CNNs）和视觉转换器（ViTs）。这些模型寻找视觉、空间或时间异常。然而，这些方法往往难以在未见数据上泛化，难以处理来自不同模型的内容。此外，现有方法在多模态数据和高度修改的内容方面效果不佳。本研究审阅了二十四项关于AI生成媒体检测的最新研究。对每项研究进行个体审查，以识别其贡献和弱点。随后，审阅总结了当前方法所面临的常见局限性和关键挑战。基于此分析，提出了一种研究方向，重点关注多模态深度学习模型。此类模型有望提供更稳健、更通用的检测能力。它为未来的研究者提供了一个清晰的起点，以构建更强大的防御措施，以抵御有害的合成媒体。