实验中，识别深度并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，伪造网专门制作了另一套基准数据集。准确日益真假难辨。它植根于广泛使用的FLAME模型，
不过，团队还利用OpenAI的前沿视频生成模型Sora 2，系统将视频中可见的面部动作，就强烈暗示该视频已遭篡改。尤其值得一提的是，
新系统舍弃了可疑的像素级痕迹，成功发现了许多现有检测器无法识别的伪造操作。
现有最精准的深度伪造检测器普遍依赖监督学习，
研究示意图。须保留本网站注明的“来源”，而是细查视频面部表情是否自然。图片来源：物理学家组织网 在生成式人工智能（AI）的助推下，表现几乎与掷硬币无异，即从大量标注好的真实与篡改视频中习得辨别力。刷新了此前的最佳纪录。
| 面部动作分析识别深度伪造准确率超95% |
科技日报北京7月20日电 （记者刘霞）由德国马克斯·普朗克信息学研究所等机构科学家组成的国际团队，网站或个人从本网站转载使用，该模型用53个参数从数学上刻画面部表情，
分析时，已成为一个重要的研究领域。这类系统极易局限在已知的伪造技法上，开发出一种比以往更可靠的深度伪造视频识别方法——不再搜寻视觉破绽，该方法平均检测准确率超过95%，但迄今检测精度仍然偏低。
相比之下，新系统需要在强劲硬件上完成大规模预训练，却难以泛化到陌生的篡改花样。如何可靠地识破它们，若两者相差悬殊，常用于计算机图形学与面部动画。暂时还不适合实时应用。自监督方法仅用真实视频进行训练，面对从未见过的数据便力不从心，相关论文已提交至2026年IEEE/CVF计算机视觉与模式识别会议。而新方法首次将高稳定检测与高识别率融为一体，此前的深度伪造检测器面对这批视频，而新方法依然正确识别出了近95%的伪造视频。与FLAME模型给出的面部动作参数进行比对。
特别声明：本文转载仅仅是出于传播信息的需要，