面向人脸视频防伪检测的大规模中文数据测评基准
Abstract
目的针对生成式人工智能（artificial intelligence generated content，AIGC）技术生成的高逼真伪造人脸视频对人类视觉感知的欺骗性问题，以及当前人脸防伪检测算法评估体系在中文数据层面有效性和应用性验证方面的空白，旨在构建面向中文场景的量化评估基准以推动防伪检测技术迭代发展。方法提出面向大规模中文人脸伪造视频的CHN-DF（Chinese-deepfake）数据集，详细阐述数据采集、伪造样本生成及质量评估的全流程构建方法。通过多维度实验验证数据集复杂性，兼顾跨模态伪造技术覆盖、环境干扰因子完备性等复杂因素，并建立基于深度检测模型的系统性评测基准。结果发布全球首个包含434 727样本的中文人脸视频防伪数据集，实验显示该数据集鉴别难度高，在16种包含SOTA（state-of-the-art）与主流防伪模型的测评中视觉与视听结合的准确率分别控制在85%与70%以下。构建的评测基准覆盖了视觉与听觉模态场景，在跨域泛化性测试中显示模型准确率性能波动平均幅度达19.6%，显著揭示现有算法的应用局限性。结论构建的中文防伪评测基准有效填补领域空白，通过系统性实验阐明数据集特性与算法性能的关联机制，提出针对模型鲁棒性增强、跨模态泛化能力提升等关键发展方向，为面向中文场景的量化评估以及人脸视频防伪技术的实际部署提供数据支撑与实践指导。CHN-DF数据集在线发布地址为：https://doi.org/10.57760/sciencedb.j00240.00067和https://github.com/HengruiLou/CHN-DF。
Fields of Study & Subjects
Digital Media Forensic Detection
Face recognition and analysis
Generative Adversarial Networks and Image Synthesis
Publication details
- Journal / source
- Journal of Image and Graphics
- Volume
- 31
- Issue
- 1
- Pages
- 82–98
- Publication date
- 1 January 2026
- Language
- EN