深度伪造人脸检测技术发展与应用综述
Abstract
由深度伪造技术（deepfake）生成的伪造图像和视频在网络上广泛传播，尤其针对名人的视频往往被用来损害他人名誉、引导舆论，极大威胁社会稳定，带来了诸多社会隐患。作为应对手段，深度伪造检测技术已成为学术界和业界的研究热点。本论文主要聚焦于深度伪造人脸检测任务，介绍了常用的伪造方法类型，按照模型基础架构将深度伪造人脸检测技术分为基于卷积神经网络 （convolutional neural networks， CNN）的检测方法、基于Transformer的检测方法和新型范式三大类。基于卷积神经网络的检测方法是当前的主流方法，模型结构多样且成熟；基于Transformer的检测方法因其在长距离建模的优势，近年来快速发展；新型范式包括自监督/无监督学习方法和大模型检测方法，自监督/无监督学习方法能够有效避免特定数据、特定伪造方法所造成的偏差，大模型检测方法因加入了文本特征，能够提升检测模型的泛化性能和可解释性。此外，总结了深度伪造人脸检测领域的经典数据集和新一代多模态数据集，以及检测模型在分类性能、泛化性能和应用方面的评估指标。在实际应用方面，梳理了深度伪造人脸检测技术的四大应用场景，回顾了国内在深度合成相关的法律法规。最后，总结了深度伪造人脸检测领域的主要矛盾，并结合发展现状，提出与大模型融合、可解释性和泛化性、模型轻量化及行业法规细化等重要发展趋势和研究方向。相关内容总结开源地址：https：//github.com/yttttkskr/2025-deepfake-detection。
Fields of Study & Subjects
Digital Media Forensic Detection
Generative Adversarial Networks and Image Synthesis
Face recognition and analysis
Publication details
- Journal / source
- Journal of Image and Graphics
- Volume
- 31
- Issue
- 6
- Pages
- 2260–2278
- Publication date
- 1 January 2026
- Language
- EN