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。