MoDA框架检测运动感知深度伪造视频并建立专用基准

该研究针对 Pose-guided diffusion models 生成的 Motion Aware Deepfake (MAD) 威胁，构建了首个包含 1363 个真实视频和 30122 个合成视频的 MAD 专用基准，涵盖来自六个可控生成器的超过 150 万帧数据。作者发现尽管这些视频具有全局连贯性，但模型因依赖有限输入帧进行运动合成，必须在运动边界处预测模拟连贯动作，从而产生高频伪影及特定于模型的频谱指纹。 基于上述观察，团队提出了 MoDA 防御框架，通过跨域对齐和多尺度聚合耦合空间语义与富含隐写分析信息的频率特征。实验显示 MoDA 在分布内检测准确率达到 94.8%，跨数据集检测准确率提升 10% 至 25%，模型归因准确率为 91.5%。在 200 个由两个未见过的商业 MAD 平台生成的片段上，MoDA 实现了 81.94% 的准确率，表明其具备有前景的零样本迁移能力；在从开放互联网收集的 1200 个未见过的 MAD 视频片段（共 5.5 万帧）上，检测准确率为 78.13%。 事实层面，MoDA 在白盒、灰盒和黑盒自适应攻击下保持了相对稳定的性能，而基线方法的准确率迅速下降。推断层面，这表明现有的通用检测工具在面对专门针对运动特征的扩散模型伪造时存在显著盲区，需要引入频域分析与特定架构的指纹识别机制。猜测层面，随着更多商业平台采用类似技术，此类基于频谱指纹的检测方法可能成为行业对抗 MAD 的标准配置，但具体部署成本与实时性表现仍需工程验证。