随着生成模型的快速发展，评估深度伪造检测器在最坏情况下的鲁棒性变得至关重要。来自ACM MM 2026的一篇论文揭示了当前取证范式的根本盲点：尽管现有检测器擅长捕捉数字合成伪影，但当AI生成内容被伪装成具有真实物理成像特征时，其有效性急剧下降。
研究人员指出，真实照片固有地拥有硬件相关的统计特征，这些特征是由光学传感器和图像信号处理（ISP）管道留下的不可见印记，而纯数据驱动的生成模型从根本上缺乏这些印记。基于这一洞察，他们提出了ISPCloak，一种新颖的无优化对抗攻击框架，明确利用ISP管道来误导深度伪造检测器的判断。该研究由Jiale Zhao等六位作者共同完成，已被ACM Multimedia 2026会议接收。
ISPCloak的工作流程如下：首先使用可逆ISP网络将图像投影到RAW域；然后通过注入真实的泊松-高斯传感器噪声和进行正向ISP重建，将真实相机的复杂统计先验无缝地印刻到AI生成图像上。与传统的基于梯度的对抗攻击不同，ISPCloak无需优化步骤，因此可以极快地生成对抗样本，且计算成本极低。结合生成伪影抑制和自适应掩码，这种简化的物理模拟能够实现超快速的对抗样本生成。
广泛实验表明，嵌入真实的物理扰动从根本上破坏了当前多种检测机制，生成了具有普遍规避能力的对抗样本，且视觉变化几乎不可感知。该发现对数字取证领域提出了严峻挑战，表明现有检测器需要重新审视对物理成像特征的建模能力。相关代码和数据将在未来发布。