近年来，视频生成模型的快速进步显著加剧了深度伪造（deepfake）威胁，然而现有的深度伪造视频检测基准仍不成熟，特别是图像级检测器在视频域中的有效性尚未得到系统性评估。为了填补这一空白，本文提出了FakeI2V-Bench基准，专门用于在具有挑战性的场景下评估最先进的视频级深度伪造检测器，并系统评估图像级检测器在视频域的表现。该基准包含97,548个视频，内容由最新且强大的生成模型生成，覆盖了更广泛的类别，确保了评估的全面性和挑战性。利用该数据集，作者对8种视频级检测器和12种代表性图像级检测器进行了大规模系统评估。实验结果显示，表现最好的图像级检测器达到80.16%的AUC，略微超过了最强的视频级检测器（79.99% AUC），这表明图像级检测器在视频域中仍然具有竞争力。此外，作者提出了IV-Bridge框架，一种通用方法，用于将图像级深度伪造检测器的能力扩展到视频域。IV-Bridge使用随机森林模型，结合统计特征来聚合帧级预测，使得11种图像级检测器的性能超过了最先进的视频级方法，其中最佳变体达到了93.80% AUC。总体而言，FakeI2V-Bench为深度伪造视频检测建立了严格的基准，并引入了一种扩展图像级检测器到视频域的新途径，为未来研究提供了新的洞察和方向。代码和数据已公开在GitHub。