随着生成模型在机器学习即服务（MLaaS）平台上的快速普及，如何在不修改生成器架构或参数的前提下可靠地追踪合成媒体的来源，仍是一项重大挑战。为此，本文提出一个自指逆向合成框架，用于固定生成器场景下的可解释 AI 溯源取证。该框架利用联合优化的编码器-解码器对实现自嵌入机制，使生成输出具备往返一致性验证能力：推理时，客户端输入先经编码器编码再送入生成器，以高视觉保真度生成图像；取证时，将待查询图像送回解码路径重新合成，并通过度量重合成图像与查询图像之间的一致性来判断该图像是否来自目标生成模型。该方法完全免除了水印嵌入或对生成流程的任何修改。实验结果表明，编码后生成的图像与原始生成器输出在视觉质量上相当，而解码所得结果能够可靠地回溯到对应的源输入；同时，该框架还能提供可解释的来源证据。论文将有机化学中的逆向合成思想迁移至生成媒体溯源领域，为深度伪造鉴别、模型身份识别以及 MLaaS 审计提供了一个不侵入生成流程的取证工具，适合研究对抗环境下合成媒体来源归属的蓝队人员参考。

本文针对真实世界场景下深度伪造（deepfake）检测面临的质量退化问题展开研究。尽管现有深度伪造检测方法在常用数据集上表现良好，但在实际应用中（如社交媒体平台上的伪造视频和实时直播），由于平台会进行不可预测的压缩等操作，导致视频质量下降，破坏了可辨别的伪造线索，使得检测模型效果显著降低。本文首先系统评估了真实世界质量退化（如JPEG压缩）对检测模型性能和表征能力的影响，发现真实世界的深度伪造样本可以通过常见的退化操作（如JPEG压缩）进行模拟，这些退化后的样本与真实低质量深度伪造在感知上高度相似。其次，作者通过分析不同训练样本顺序下的训练动态，观察到从无退化（简单）样本到重度退化（困难）样本的课程式训练顺序能够增强模型对多样退化的适应能力。基于上述观察，作者提出了一种名为ProFake的新型深度伪造检测方法。ProFake采用渐进式质量自适应学习机制，通过逐步退化、检测并根据模型性能与图像质量为训练样本分配权重，使模型从易到难地聚焦于更具挑战性的样本，从而实现质量自适应的检测。在多个真实世界场景和重度退化场景下的实验表明，ProFake相比现有方法平均检测准确率提升超过10%，在重度退化场景下提升超过30%，同时在高清晰度深度伪造检测上保持相近性能。该工作为提升深度伪造检测在现实部署中的鲁棒性提供了新思路，适合研究深度伪造检测、模型鲁棒性以及多媒体取证的安全研究人员阅读。

本文提出了一种名为 SpreadMark 的鲁棒图像水印方法，针对深度伪造检测和来源追踪场景中水印需要抵抗有意移除的问题。作者首先指出现有基于编码器-解码器的水印方案存在一个共同弱点：每个消息比特只占据图像的一小部分区域，因此攻击者只需扰动该比特所在区域即可破坏水印。SpreadMark 借鉴经典的扩频通信原理，将每个比特以密集的伪随机码字形式扩散到整幅图像中，并通过匹配滤波方式从学习到的抑制载体（cover-suppressed）码片表示中恢复水印，同时结合并行卷积解码路径和稀疏化感知训练。作者还进行了条件码片空间分析，证明在与码字无关的扰动模型下，密集扩频会增加破坏匹配滤波恢复所需的扰动预算。实验在 COCO 和 DIV2K 数据集上与九种现有方案对比，结果表明 SpreadMark 是唯一在再生攻击和潜在空间稀疏化设置下均保持高检测率的方法，同时在 JPEG 压缩和加性噪声鲁棒性上表现相当，并且保持了水印的不可感知性，具有较高的感知质量。

本文针对说话人脸（Talking-Face, TF）深度伪造检测问题，提出了一种基于生理信号（远程光电容积描记术, rPPG）的取证方法。TF深度伪造技术利用静态源图像和音频信号合成逼真的面部视频，而现有基于图像特征的检测器几乎完全失效。与换脸（face-swap）伪造不同，TF合成没有对应的真实视频，因此无法继承生理特征，这使得rPPG成为该伪造类型独有的检测模态。作者构建了一个检测框架：首先使用RhythmFormer网络从每个视频中提取rPPG波形，然后训练一组轻量级分类器（如1D ResNet）来区分真实与合成的生理信号。在Celeb-DF++数据集的TF子集上，采用严格的与身份无关的评估协议（测试集身份与训练集完全分离），该框架的最佳模型（1D ResNet）取得了AUC 0.806、等错误率27.8%的性能，仅比当前最好的通用检测器Effort（ICML 2025）低2.4个百分点，且完全基于生理通道。此外，作者对代表性先前rPPG检测器DeepFakesON-Phys进行了受控复现研究，发现其在传统换脸数据上AUC高达0.999，但在TF子集上退化至0.622。进一步实验表明，检测难度与生成器高度相关：在7种TF生成器中，AUC范围从0.985（Real3DPortrait）到0.690（IP-LAP），且该排序在所有评估协议下保持稳定。该结果反映了每个生成器可解释的生理属性，而非评估噪声，构成了本文的主要理论贡献。

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。