深度分析
利用莫爾條紋實作物理簽章，對抗深偽影片的全新技術
隨著 AI 影片生成技術日益逼真，辨識真偽成為急迫需求。研究團隊提出以相機自然產生的莫爾條紋作為物理簽章，利用條紋相位與相機位移的線性關係作為驗證依據。實驗顯示，真實錄製的影片在條紋相位與位移的相關性遠高於各大生成模型產出的偽造影片，證明此方法具備可靠的區分能力。
深偽檢測
深度分析
教師‑學生結構域適應的多模態深偽檢測模型 EAV-DFD 研究
生成式 AI 的快速發展讓深偽影音更具逼真度，隱私與社會風險同步升高。研究者提出 EAV-DFD，結合音訊、視訊與音視交互的多模態模型，並以教師‑學生框架進行域適應，只需少量新域樣本即可提升偵測效能。
深度分析
Deepfake-Eval-2024：多模態真實世界基準揭示深偽檢測泛化缺口
生成式人工智慧讓深偽媒體在社群平台快速擴散，成為詐騙與錯誤資訊的實際威脅。本研究建立一個二零二四年蒐集的多模態真實世界基準，涵蓋影片、音訊與影像並跨越五十二種語言。評估結果顯示公開開源檢測模型在此基準上AUC值大幅下降，商業方案表現較佳但仍難超越人類鑑識能力。
深度分析
生成式AI時代的語音深偽檢測：來源標籤、情緒啟動與人機協作影響
本研究以生態有效的實驗設計，探討人類在日常情境中辨識語音深偽（語音 deepfake）時的行為與判斷。透過一項局部定位任務，47 名參與者在三種信任線索（指示框架、情緒啟動、來源標籤）下標註真實、完全合成與部分合成語段，並對機械感、表現力、可懂度、清晰度、平靜度與判斷信心等尺度評分。
深度分析
Curvelet 變換結合頻域感知特徵增強的深偽檢測方法
隨著生成式模型提升合成臉部影像真實度，深偽檢測面臨壓縮導致特徵退化的挑戰。研究者引入 Curvelet 變換結合楔形層注意力與尺度感知遮罩，強化頻域關鍵特徵，並以微調 Xception 進行分類。實驗顯示在 FaceForensics++ 低壓縮資料上達 98.48% 準確率與 99.96% AUC，且在高壓縮情境仍保持優異表現。