arXiv 于 2026 年 5 月 27 日收录了一篇题为《轻量级互补线索融合用于稳健的视频人脸伪造检测》的新论文（编号 arXiv:2605.29092v1），作者为 Sunghwan Baek 及另外三位研究者。该文属于计算机视觉与模式识别（cs.CV）分类，同时涉及机器学习（cs.LG）与多媒体（cs.MM），全文共 13 页、包含 6 幅图和 3 张表格。论文的核心主张相当直接：当前主流的人脸视频伪造检测器普遍依赖宽骨干网络或双流骨干网络，而作者认为，只需将两种手工设计的线索以极轻量的方式进行融合，就能在模型规模小得多的情况下获得更高的准确率。
研究以 Xception 基线模型为基础，该模型拥有 2190 万个参数。作者在此之上构建了两个检测器。第一个是 LFWS，它通过一个 1×1 卷积，把低频的小波去噪特征（Wavelet-Denoised Feature，WDF）与源自空间-相位浅层学习（Spatial-Phase Shallow Learning，SPSL）的相位谱通道结合起来。第二个是 LFWL，它用同样的融合方式把 WDF 与局部二值模式（Local Binary Patterns，LBP）合并。值得强调的是，这个额外模块仅增加了 292 个参数，使模型总参数仍保持在 2190 万左右，比 F3Net 的 2250 万更小，也不到 SRM（5530 万参数）的一半。
尽管开销如此之小，融合模型的性能提升却相当明显。在 FaceForensics++ 数据集上，平均 AUC 从基线 Xception 的 74.8% 提升至 78.6%；在 DFDC-Preview 上，平均 AUC 从 70.5% 提升至 74.9%。对应地，两项提升幅度分别为 3.8 个百分点和 4.4 个百分点。作者还指出，这两个模型在八个公开基准测试中持续优于 F3Net、SRM 和 SPSL，并且这一结果是在不使用额外数据、也不依赖测试时增强（test-time augmentation）的条件下取得的，因而更具可比性和说服力。
论文的结论带有方法论层面的反思意味。作者认为，精心配对的手工特征经由轻量融合模块组合后，能够以远低于同类基于频率的检测器的成本，提供具有竞争力的稳健性。基于此，他们提出人脸视频伪造检测领域应当重新审视以规模为导向的设计选择，即不再一味追求更大更宽的骨干网络，而应关注特征设计与互补线索的合理搭配。该论文的投稿时间为 2026 年 5 月 27 日 20:51:04 UTC，全文约 2.38 MB，DOI 为 10.34580/arXiv.2605.29092。