arXiv 于 2026 年 8 月 7 日发布了一篇题为《深度伪造与合成媒体：生成、检测与治理》的综述论文，作者为 Alexandros Gazis 等六人，论文编号 arXiv:2609.25017v1，归入计算机视觉与模式识别（cs.CV）分类。全文约 30 页，包含 2 幅图、3 张表和 120 条参考文献。文章关注的核心问题是：由深度生成模型制造的合成视听内容正在民用与军事领域演变为严重威胁，需要从生成机制、检测手段和治理制度三个层面同时应对。
论文首先界定了风险场景。深度伪造可被用于身份欺诈、虚假信息宣传和证据伪造；在新闻、金融、医疗、法律等高风险环境中，其后果不仅是误导信息，还可能包括市场操纵、身份盗用以及公众对机构信任的侵蚀。因此，文章将现代视觉智能与计算机视觉技术视为检测和缓解这类威胁的重要工具。
在生成侧，综述梳理了若干关键模型家族，包括生成对抗网络（GAN）、自编码器、神经渲染和扩散系统，并涉及视频合成。文章同时说明，对抗方法会进一步提升合成内容的真实感，使现有检测器面临更大挑战。这意味着生成与检测之间存在持续的攻防演进。
在检测侧，论文总结了常被利用的线索：视觉伪影、数字模式、生理线索，以及空间、时间、频率域上的异常。对应的检测器家族主要包括卷积神经网络（CNN）、Transformer 和基于频率的方法。文章还回顾了评估实践与协议，并强调检测器难以获得强泛化能力，尤其是跨不同生成器时表现下降，这是该领域最核心的开放挑战之一。
除检测之外，综述把治理问题纳入讨论，涉及密码学溯源标准、水印技术以及监管框架，例如欧盟《人工智能法案》、DSA 和 GDPR。文章还指出，面向民用和军事内容验证的新兴智能技术是值得关注的方向。
论文的结论是，有效的深度伪造治理不能只依赖单一检测模型，而需要纵深防御：将取证检测、可验证的来源证明和机构问责机制结合起来。对于平台、监管者和内容验证方而言，这意味着技术工具、标准与法律框架必须协同设计。