arXiv 於 2026 年 8 月 7 日發佈了一篇題為《深度偽造與合成媒體：生成、檢測與治理》的綜述論文，作者為 Alexandros Gazis 等六人，論文編號 arXiv:2609.25017v1，歸入計算機視覺與模式識別（cs.CV）分類。全文約 30 頁，包含 2 幅圖、3 張表和 120 條參考文獻。文章關注的核心問題是：由深度生成模型製造的合成視聽內容正在民用與軍事領域演變為嚴重威脅，需要從生成機制、檢測手段和治理制度三個層面同時應對。
論文首先界定了風險場景。深度偽造可被用於身份欺詐、虛假信息宣傳和證據偽造；在新聞、金融、醫療、法律等高風險環境中，其後果不僅是誤導信息，還可能包括市場操縱、身份盜用以及公眾對機構信任的侵蝕。因此，文章將現代視覺智能與計算機視覺技術視為檢測和緩解這類威脅的重要工具。
在生成側，綜述梳理了若干關鍵模型家族，包括生成對抗網絡（GAN）、自編碼器、神經渲染和擴散系統，並涉及視頻合成。文章同時説明，對抗方法會進一步提升合成內容的真實感，使現有檢測器面臨更大挑戰。這意味着生成與檢測之間存在持續的攻防演進。
在檢測側，論文總結了常被利用的線索：視覺偽影、數字模式、生理線索，以及空間、時間、頻率域上的異常。對應的檢測器家族主要包括卷積神經網絡（CNN）、Transformer 和基於頻率的方法。文章還回顧了評估實踐與協議，並強調檢測器難以獲得強泛化能力，尤其是跨不同生成器時表現下降，這是該領域最核心的開放挑戰之一。
除檢測之外，綜述把治理問題納入討論，涉及密碼學溯源標準、水印技術以及監管框架，例如歐盟《人工智能法案》、DSA 和 GDPR。文章還指出，面向民用和軍事內容驗證的新興智能技術是值得關注的方向。
論文的結論是，有效的深度偽造治理不能只依賴單一檢測模型，而需要縱深防禦：將取證檢測、可驗證的來源證明和機構問責機制結合起來。對於平台、監管者和內容驗證方而言，這意味着技術工具、標準與法律框架必須協同設計。