持续演进的深度伪造检测：动态检测系统的架构与公开基准评估
静态深度伪造检测器在真实场景中性能急剧下降（AUC降幅达45-50%），因其训练一次后无法应对不断进化的生成技术。BitMind Forensics (BMF) 通过Bittensor SN34的开放对抗竞赛持续更新训练数据，在19个公开数据集上展现出优异性能，包括对真实世界扰动（如JPEG压缩、下采样）的鲁棒性，以及在时间推移中持续提升的检测能力。
深度伪造检测领域面临一个严峻挑战：学术基准上表现近乎完美的检测器，在真实世界内容中却频繁失效。近期的大规模野外评测显示，最先进的开源模型AUC（曲线下面积）降幅高达45-50%。研究者认为，这一差距是结构性的——静态检测器仅基于固定训练集一次性训练，无法跟上不断演进的生成技术前沿。
针对这一问题，论文提出了BitMind Forensics（BMF），一种通过Bittensor SN34（一个开放对抗竞赛平台）持续训练的检测系统。该系统利用竞赛机制不断刷新训练分布，使模型能够适应新出现的生成方法。研究团队评估了一个包含图像、通用视频和人脸视频检查点的历史导出版本，在19个公开数据集上进行了全面测试，涵盖传统换脸套件（如FaceForensics++、Celeb-DF v1/v2/++、DFDC等）以及最新的野外和AI生成媒体基准（如Sumsub、Deepfake-Eval-2024、WildRF等）。
结果显示，BMF在Sumsub的原始图像上达到0.936 AUC，在其全部四类操纵条件（共140万图像）上平均AUC为0.872，并对JPEG压缩（0.855 AUC）和下采样（0.799 AUC）表现出鲁棒性。令人惊讶的是，经过GPEN增强后检测性能进一步提升至0.996 AUC。在Deepfake-Eval-2024基准上，BMF在图像任务上与最佳商业检测器持平（0.915对0.90），在视频任务上则超越对方（0.822对0.79），远超最佳开源模型（分别为0.56和0.63）。此外，BMF在包含21个生成器的AI图像面板上达到0.991 AUC，在GenVidBench上达到0.918 AUC，并在DFDC和Celeb-DF v2上显著超过基于FaceForensics++训练的传统方法（分别为0.947对0.843和0.9985对0.956），这些比较均经过污染审计。
一项时序研究进一步证实了持续学习的优势：随着时间推移，后续导出版本在来自新生成器（静态基线训练中未出现）的保留媒体上表现稳步提升——图像从0.842 AUC提升至0.902 AUC，视频从0.864 AUC提升至0.936 AUC。研究团队已公开评测工具，并在论文发表时提供生产API，供独立验证。这一工作为深度伪造检测提供了一种动态、可扩展的新范式，有望缩小实验室基准与现实部署之间的鸿沟。