DOI: https://doi.org/10.1109/wacv61042.2026.00082
تاريخ النشر: 2026-03-06
المؤلف: Andrii Yermakov وآخرون
الموضوع الرئيسي: الشبكات التنافسية التوليدية وتوليد الصور
نظرة عامة
تتناول هذه البحث التحدي المتمثل في تعميم كاشفات التزييف العميق على تقنيات التلاعب غير المرئية، مقدمة طريقة جديدة تسمى GenD. على عكس العديد من الأساليب الحالية التي تعقد هياكل النماذج، تحقق GenD تعميماً قوياً من خلال ضبط معلمات تطبيع الطبقة فقط (0.03% من الإجمالي) لمشفّر الرؤية المدرب مسبقاً. تستخدم الطريقة تطبيع L2 وتعلم القياس لفرض مانيفولد ميزات كروية. تظهر التقييمات الشاملة عبر 14 مجموعة بيانات مرجعية من 2019 إلى 2025 أن GenD تحقق أداءً رائداً في متوسط AU-ROC عبر المجموعات، متجاوزة النماذج الأكثر تعقيداً.
تكشف النتائج عن رؤيتين حاسمتين للمجال: أولاً، التدريب على بيانات حقيقية مزيفة متزاوجة من نفس مصدر الفيديو أمر حيوي لتقليل التعلم السريع وتعزيز التعميم؛ ثانياً، لم تزد صعوبة الكشف عن مجموعات البيانات الأكاديمية بشكل كبير مع مرور الوقت، مما يشير إلى أن النماذج المدربة على مجموعات بيانات قديمة ومتنوعة لا تزال قادرة على التعميم بشكل فعال. الطريقة المقترحة فعالة من حيث الحوسبة، حيث تتطلب بضع ساعات فقط من التدريب على وحدة معالجة الرسوميات A100 واحدة، وقابلة للتكرار، مما يوفر مساراً واعداً لتطوير أنظمة كشف التزييف العميق القابلة للتعميم. الشيفرة الخاصة بـ GenD متاحة على: https://github.com/yermandy/GenD.
مقدمة
تتناول مقدمة هذه الورقة البحثية القلق المتزايد بشأن كشف التزييفات العميقة الواقعية للوجه، والتي تشكل مخاطر كبيرة من المعلومات المضللة بسبب التعديلات الدقيقة التي تحافظ على السياق الأصلي. تكافح طرق الكشف الحالية مع التعميم، حيث غالباً ما تفشل النماذج المدربة على خوارزميات توليد التزييف العميق المحددة عند مواجهة خوارزميات جديدة. تركز هذه الدراسة على سد فجوة التعميم من خلال الاستفادة من مشفرات الرؤية الأساسية المدربة مسبقاً على نطاق واسع كأساس لكشف التزييف العميق.
يقترح المؤلفون طريقة كشف جديدة تسمى GenD، تستخدم ثلاثة متغيرات من مستخرجات الميزات: التدريب المسبق على اللغة والصورة المتباينة (CLIP)، مشفر الإدراك (PE)، وDINO. تتضمن الطريقة تطبيع L2 لمخرجات مشفر الرؤية وضبط معلمات كتل تطبيع الطبقة فقط مع الحفاظ على بقية النموذج مجمداً. بالإضافة إلى ذلك، يتم استخدام تعلم القياس في فضاء L2 لتعزيز التعميم. يتم تقييم النموذج مقابل 14 مجموعة بيانات فيديو للتزييف العميق من 2019 إلى 2025، مما يمثل التقييم الأكثر شمولاً في هذا المجال. تشير النتائج إلى أن GenD يتفوق على الأساليب الحالية الرائدة من حيث متوسط منطقة تحت منحنى التشغيل (AUROC) عبر المجموعات، مما يبرز أهمية التدريب على أزواج حقيقية مزيفة لتحسين التعميم وتقليل التعلم السريع.
نقاش
في قسم النقاش من الورقة البحثية، يبرز المؤلفون التطور السريع لتقنيات التزييف العميق، والتي تشمل طرق مثل تبديل الوجه، إعادة تمثيل الوجه، وتوليد فيديو كامل للوجه. تقوم هذه التقنيات بشكل أساسي بالتلاعب بالمناطق الوجهية المحلية، مما يعقد جهود الكشف. مع تقدم طرق إنتاج التزييف العميق، تتطور استراتيجيات الكشف أيضاً، وتصنف إلى طرق قائمة على المحتوى وطرق قائمة على الإشارة. تحدد الطرق القائمة على المحتوى التناقضات المرئية، بينما تكشف الطرق القائمة على الإشارة عن آثار دقيقة في الإشارة المرئية. استخدمت التطورات الأخيرة في الكشف نماذج مثل CLIP لتعزيز القابلية للتعميم، مع استخدام تقنيات مثل محول الطب الشرعي (ForAda) وتحليل القيم الفردية (SVD) لتحسين كشف العيوب.
يقترح المؤلفون طريقة جديدة، GenD، التي تقوم بتحسين جزء ضئيل من المعلمات (0.03%) لمشفري الصور المدربين مسبقاً من خلال مزيج من خسائر الانتروبيا المتقاطعة، والتجانس، والمحاذاة. تظهر تجاربهم أن GenD تحقق أداءً تنافسياً في كشف التزييف العميق، متجاوزة الأساليب الرائدة على مجموعات بيانات متنوعة. تؤكد الدراسة على أهمية التدريب على مجموعات بيانات متزاوجة، حيث يحتوي كل فيديو مزيف على نظير حقيقي مطابق، لتعزيز التعميم وتقليل الإفراط في التكيف. بالإضافة إلى ذلك، يجادل المؤلفون بأن التعرض لمجموعة متنوعة من تقنيات التزييف العميق، بما في ذلك الطرق القديمة، أمر حاسم لتطوير أنظمة كشف قوية. بشكل عام، تشير النتائج إلى أن ضبط المعلمات الفعال وبناء مجموعات بيانات استراتيجية هما المفتاح لتقدم قدرات كشف التزييف العميق.
القيود
تظهر الطريقة المقترحة، GenD، قدرات تعميم قوية؛ ومع ذلك، من الضروري التعرف على قيودها، التي تبرز في الوقت نفسه الفرص للبحث المستقبلي. قد تشمل هذه القيود قيوداً تتعلق بتطبيق الطريقة عبر مجموعات بيانات متنوعة أو سيناريوهات محددة حيث قد لا تكون أدائها مثالياً.
يمكن أن تركز الأعمال المستقبلية على معالجة هذه القيود من خلال استكشاف تحسينات على الخوارزمية، واختبار فعاليتها في سياقات متنوعة، أو دمج مصادر بيانات إضافية لتحسين قوتها. يمكن أن تؤدي هذه الجهود إلى فهم أكثر شمولاً لقدرات GenD وتطبيقاتها المحتملة في مجالات أوسع.
DOI: https://doi.org/10.1109/wacv61042.2026.00082
Publication Date: 2026-03-06
Author(s): Andrii Yermakov et al.
Primary Topic: Generative Adversarial Networks and Image Synthesis
Overview
This research addresses the challenge of generalizing deepfake detectors to unseen manipulation techniques, presenting a novel method called GenD. Unlike many existing approaches that complicate model architectures, GenD achieves robust generalization by fine-tuning only the Layer Normalization parameters (0.03% of the total) of a pre-trained vision encoder. The method employs L2 normalization and metric learning to enforce a hyperspherical feature manifold. Extensive evaluations across 14 benchmark datasets from 2019 to 2025 demonstrate that GenD achieves state-of-the-art performance in average cross-dataset AU-ROC, surpassing more complex models.
The findings reveal two critical insights for the field: first, training on paired real-fake data from the same source video is vital for reducing shortcut learning and enhancing generalization; second, the detection difficulty of academic datasets has not significantly increased over time, indicating that models trained on older, diverse datasets can still generalize effectively. The proposed approach is computationally efficient, requiring only a few hours of training on a single A100 GPU, and is reproducible, offering a promising pathway for developing generalizable deepfake detection systems. The code for GenD is available at: https://github.com/yermandy/GenD.
Introduction
The introduction of this research paper addresses the growing concern surrounding the detection of realistic facial deepfakes, which pose significant risks of misinformation due to their subtle alterations that maintain original context. Current detection methods struggle with generalization, as models trained on specific deepfake generation algorithms often fail when encountering new ones. This study focuses on bridging the generalization gap by leveraging large-scale, pre-trained foundational vision encoders as a basis for deepfake detection.
The authors propose a novel detection method named GenD, utilizing three variants of feature extractors: Contrastive Language-Image Pre-training (CLIP), Perception Encoder (PE), and DINO. The method involves L2-normalizing the outputs of a vision encoder and fine-tuning only the parameters of the Layer Normalization blocks while keeping the rest of the model frozen. Additionally, metric learning is employed in the L2 space to enhance generalization. The model is benchmarked against 14 deepfake video datasets from 2019 to 2025, marking the most extensive evaluation in the field. The findings indicate that GenD outperforms existing state-of-the-art methods in terms of average cross-dataset Area Under the Receiver Operating Characteristic (AUROC), highlighting the importance of training on real-fake pairs to improve generalization and mitigate shortcut learning.
Discussion
In the discussion section of the research paper, the authors highlight the rapid evolution of deepfake techniques, which include methods such as face-swapping, face reenactment, and full face video synthesis. These techniques primarily manipulate localized facial regions, complicating detection efforts. As deepfake production methods advance, detection strategies are also evolving, categorized into content-based and signal-based approaches. Content-based methods identify visible inconsistencies, while signal-based methods detect subtle traces in the visual signal. Recent advancements in detection have utilized models like CLIP to enhance generalizability, with techniques such as Forensics Adapter (ForAda) and Singular Value Decomposition (SVD) being employed to improve artifact detection.
The authors propose a novel method, GenD, which optimizes a minimal fraction of parameters (0.03%) of pre-trained image encoders through a combination of cross-entropy, uniformity, and alignment losses. Their experiments demonstrate that GenD achieves competitive performance in deepfake detection, outperforming state-of-the-art methods on various datasets. The study emphasizes the importance of training on paired datasets, where each fake video has a corresponding real counterpart, to enhance generalization and reduce overfitting. Additionally, the authors argue that exposure to a diverse range of deepfake techniques, including older methods, is critical for developing robust detection systems. Overall, the findings suggest that effective parameter tuning and strategic dataset construction are key to advancing deepfake detection capabilities.
Limitations
The proposed method, GenD, exhibits robust generalization capabilities; however, it is essential to recognize its limitations, which simultaneously highlight opportunities for future research. These limitations may include constraints related to the method’s applicability across diverse datasets or specific scenarios where its performance may not be optimal.
Future work could focus on addressing these limitations by exploring enhancements to the algorithm, testing its efficacy in varied contexts, or integrating additional data sources to improve its robustness. Such efforts could lead to a more comprehensive understanding of GenD’s capabilities and potential applications in broader domains.