本文提出了一种名为SafeEar的新型音频深度伪造检测框架，旨在解决现有检测方法因必须访问完整原始录音而泄露语音内容隐私的问题。随着文本转语音（TTS）和语音转换（VC）技术的进步，生成的逼真音频被恶意用于深度伪造，对社会和个人构成威胁。现有对策主要依赖完整音频来判断真伪，但在涉及商业秘密等敏感信息的场景中，内容暴露是不可接受的。SafeEar的核心创新在于设计了一种神经音频编解码器作为解耦模型，将音频样本中的语义信息（如语言内容）和声学信息（如韵律、音色）分离，检测器仅利用声学特征进行深度伪造识别，从而完全避免语义内容暴露。为了克服缺乏语义线索时识别各种深度伪造音频的挑战，该方法引入真实世界的编解码数据增强技术，提升检测器的泛化能力。在四个基准数据集上的广泛实验表明，SafeEar在检测多种深度伪造技术时取得了最低2.02%的等错误率（EER），同时保护了五种语言的语音内容：机器和人类听觉分析的字错误率（WER）均超过93.93%，用户研究也证实了隐私保护效果。此外，作者构建了用于反深度伪造和反内容恢复评估的基准，为未来音频隐私保护与深度伪造检测领域的研究提供了基础。本文适合对音频安全、隐私保护及深度伪造检测感兴趣的研究人员和工程师阅读。

该论文探讨了合成图像（Synthetic Images）在隐私保护生物识别应用与深度伪造（Deepfake）检测中的矛盾关系。一方面，合成图像技术（如生成对抗网络GANs生成的虚假人脸）可用于创建隐私安全的生物识别系统，例如通过合成替代真实用户照片来训练识别模型，从而避免直接存储个人生物特征数据，降低数据泄露风险。另一方面，同一技术也被滥用于生成深度伪造内容，对社交媒体上的信息真实性构成威胁。论文提出了一种统一的框架来同时实现隐私保护生物识别和深度伪造检测：利用合成图像构建鲁棒的生物识别模板，同时开发基于合成图像特征的新型Deepfake检测方法。实验表明，该方法在保持高识别精度的同时，能有效区分真实与合成图像，并抵抗常见的对抗攻击。论文还讨论了合成图像在平衡隐私与安全中的伦理考量，并提出了一个面向无虚假信息社交网络的部署方案。

本文提出了一种新的深度伪造检测评估框架——校准深度伪造信任分数（CDTS）。传统上，深度伪造检测器的输出概率被直接视为信任度，但作者指出其校准性（即预测概率与实际正确率的匹配程度）与检测器的判别能力之间存在强耦合。通过在32种配置上的实验（合并Pearson r = -0.81），作者发现当检测器的判别能力下降时，信任分数的校准性也会显著退化。该现象在三种架构不同的检测器（两种卷积网络和一种CLIP视觉Transformer）上均得到验证，并且可通过直接诱导低能力来复现。此外，作者证明了CDTS的可部署性：一个在域内数据上冻结的校准器会在低能力生成器上失效，而无需标签的能力估计可以监测未见生成器上的校准风险。基于无参考能力估计的路由策略能降低整体AURC并改善中低覆盖区间的性能。研究还发现，能力因素同样驱动了人口统计子组间的校准不公平性（与准确性不公平性不同）以及解释忠实度。因此，作者主张检测器的可信度由能力作为共同驱动因素组织，信任评分必须具有能力感知性，并提供了CDTS作为实现机制。

该论文针对社交媒体中深度伪造视频检测问题，提出了一种基于3D卷积神经网络（3D CNN）的时序伪影分析方法。研究表明，传统基于单帧的检测器在面对高质量生成器（如128x128 GAN输出）时准确率下降，而时序不一致性伪影仍较稳定。作者采用R3D-18架构的3D CNN，结合二元交叉熵与时间一致性正则化的复合损失函数，在DeepfakeTIMIT数据集上以16帧片段训练，并利用Kinetics-400动作识别权重初始化。实验结果显示，在128x128分辨率下，内数据集评估准确率达92.8%；跨数据集迁移至FaceForensics++（未微调）为76.4%，少量微调后进一步提升。消融研究表明，迁移学习贡献7.2个百分点，人脸跟踪贡献3.5个百分点，而时间一致性正则化在高品质伪造上提供额外增益。结论证明时序伪影比空间伪影更具泛化性，能够抵御社交媒体重编码的干扰。

近年来，计算机视觉领域取得了显著进展，尤其是卷积神经网络（CNN）、生成对抗网络（GAN）、扩散模型、视觉变换器（ViT）以及视觉-语言模型（VLM）等架构的发展，使得生成的视觉内容越来越逼真。然而，这些进步也带来了潜在的滥用风险，例如虚假信息、身份盗窃以及隐私和安全威胁。与此同时，基于Mamba的架构作为一种新兴工具，已在图像分类、分割、医学成像、目标检测和图像恢复等多种任务中展现出潜力，但在AI生成图像检测方面的应用尚未被充分探索。本研究对Vision Mamba模型在AI生成图像检测中的性能进行了系统评估和比较分析。我们在多个数据集和合成图像源上，将多种Vision Mamba变体与代表性的CNN、ViT和VLM检测器进行基准测试，重点关注准确性、效率以及跨不同图像类型和生成模型的泛化能力。通过全面分析，我们旨在阐明Vision Mamba相对于现有方法在适用性、准确性和效率方面的优势与局限性。总体而言，我们的研究结果揭示了Vision Mamba作为区分真实与AI生成视觉内容的系统组成部分的潜力与当前局限。这项研究对于在区分真实与AI生成内容成为重大挑战的时代提升检测能力至关重要。

随着深度伪造技术的快速发展，生成逼真的虚假数字内容对媒体真实性构成严重威胁。传统的深度伪造检测方法在面对定制化、复杂的深度伪造时，泛化能力和鲁棒性往往不足。本文提出了一种名为ViGText的新方法，该方法创新地将图像与视觉大语言模型（VLLM）的文本解释相结合，并基于图神经网络（GNN）框架进行深度伪造检测。ViGText的核心在于利用详细的解释文本而非简单的标题，提供更丰富的上下文信息，从而捕捉细微的不一致性。具体而言，ViGText将图像划分为多个补丁，分别构建图像图和文本图，并通过GNN整合分析。方法还采用了跨空间域和频率域的多级特征提取，以增强对复杂深度伪造的检测鲁棒性。大量实验表明，ViGText在泛化性能上显著提升：在泛化评估中，平均F1分数从72.45%提升至98.32%；面对用户定制化的稳定扩散模型变体时，表现出优异的泛化能力。鲁棒性方面，ViGText的召回率相比其他方法提升了11.1%。针对利用其图架构的定向攻击，ViGText将分类性能下降限制在4%以内。本研究为深度伪造检测设立了新标准，有助于维护媒体真实性和信息完整性。

本文提出了一种基于物理反射定律的深度伪造图像检测方法，名为 Light2Lie。当前深度伪造图像生成技术（如 GANs、扩散模型）在保留人脸纹理和几何方面已非常逼真，但往往忽略真实物理环境中光照与物体表面相互作用的固有约束。作者指出，伪造图像中的光照方向、反射强度及阴影分布常存在物理不一致性，而人眼难以察觉。为此，该方法利用双向反射分布函数（BRDF）等物理模型，从单张图像中提取光照特征和反射特征，并通过统计学习或神经网络判断是否符合真实物理规律。具体地，论文设计了一个多尺度特征提取模块，分别计算全局光照一致性（如环境光方向）和局部表面反射属性（如菲涅尔效应）。在多个公开深度伪造数据集（如 FaceForensics++、Celeb-DF）上，该方法在 AUC 和准确率方面显著优于现有的基于频率、纹理或深度学习的检测器，尤其在跨数据集泛化测试中表现鲁棒。此外，作者进行了消融实验，验证了各物理特征分量的贡献。该工作为数字图像取证提供了新思路，表明结合物理先验能有效提升对逼真伪造图像的检测能力。适合研究人员和取证分析师阅读。