耿鹏志，樊红兴，张翌阳，唐云祁

（1.中国人民公安大学 侦查学院，北京 100038；2.中国科学院自动化研究所 智能感知与计算研究中心，北京 100190）

0 概述

近年来，随着深度学习技术的发展，人脸操控和合成技术取得了较大进展，但是它们在给影视等行业提供便利的同时也给社会公共安全领域带来了隐患。自2017 年起，各类换脸视频及软件层出不穷，其中，深度伪造（Deepfake）技术备受关注，该技术使用机器学习来生成逼真的图像和视频，信息内容“以假乱真”，进而达到欺骗受众的目的。Deepfake 技术可以篡改生成虚假视频，不法分子经常使用该技术来制造虚假证据，如散播谣言、编造虚假新闻等，严重影响了公安机关正常执法办案，甚至因此产生许多冤假错案。因此，对Deepfake 进行检测具有重要的现实意义。

2020 年，Facebook 等机构为鼓励研究人员开发更有效的Deepfake 检测方法，发起一项名为Deepfake Detection Challenge 的比赛。与此同时，各国也在立法层面实施相应的应对方案：美国两党议员分别在众议院、参议院同时提出《2019 年深度伪造报告法案》［1］，该法案反映了目前美国立法者在防范Deepfake 技术风险中所作的努力；欧盟方面主要通过个人信息保护和虚假信息治理等法律法规来从法律层面限制人工智能造假技术的应用；中国于2019年印发了《网络音视频信息服务管理规定》［2］，该规定指出如果相关人员利用Deepfake 视频造成严重危害并构成犯罪，司法机关将依法追究刑事责任。上述一系列举措在一定程度上限制了Deepfake 视频的传播。

目前，为了能够有效地检测以Deepfake 为代表的深度伪造视频，研究人员提出了许多检测方法，但是，其中多数检测方法依赖于数据驱动，在跨压缩率、跨分辨率方面并不具有鲁棒性。……