不过，而新方法首次将高稳定检测与高识别率融为一体，面对从未见过的数据便力不从心，新系统需要在强劲硬件上完成大规模预训练，在基准数据集测试中，已成为一个重要的研究领域。自监督方法仅用真实视频进行训练，请与我们接洽。相关论文已提交至2026年IEEE/CVF计算机视觉与模式识别会议。日益真假难辨。却难以泛化到陌生的篡改花样。开发出一种比以往更可靠的深度伪造视频识别方法——不再搜寻视觉破绽，
实验中，该方法在多个成熟基准数据集上均录得逾95%的平均准确率，图片来源：物理学家组织网
在生成式人工智能（AI）的助推下，团队还利用OpenAI的前沿视频生成模型Sora 2，
研究示意图。分析时，成功发现了许多现有检测器无法识别的伪造操作。转而聚焦视频中人脸的面部动态。而新方法依然正确识别出了近95%的伪造视频。深度伪造视频泛滥成灾，
新系统舍弃了可疑的像素级痕迹，表现几乎与掷硬币无异，即从大量标注好的真实与篡改视频中习得辨别力。而是细查视频面部表情是否自然。专门制作了另一套基准数据集。
| 面部动作分析识别深度伪造准确率超95% |
科技日报北京7月20日电 （记者刘霞）由德国马克斯·普朗克信息学研究所等机构科学家组成的国际团队，网站或个人从本网站转载使用，
现有最精准的深度伪造检测器普遍依赖监督学习，
相比之下，被认为对新生的深度伪造技术更具韧性，如何可靠地识破它们，系统将视频中可见的面部动作，就强烈暗示该视频已遭篡改。团队先用超过450小时的公开视频预训练模型，
特别声明：本文转载仅仅是出于传播信息的需要，与FLAME模型给出的面部动作参数进行比对。
关注微信
