English(EN) Architecture-Adaptive Uncertainty Fusion for Deepfake Detection

新框架增强深度伪造检测不确定性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-08 04:00

研究人员开发了一个名为相关性优化融合（COF）的新框架，以提高深度伪造检测系统中不确定性量化的可靠性。COF自适应地融合了五种不同的不确定性来源，在优化过程中仅需最少的计算资源。虽然现有方法在同域基准测试上表现更好，但COF在分布变化下表现出更优越的性能，使其成为现实世界取证应用的实用工具。 AI

影响通过解决分布变化问题，提高了AI驱动的深度伪造检测在现实场景中的可靠性。

排序理由该集群包含一篇详细介绍深度伪造检测不确定性新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.CV TIER_1 English(EN) · Ritesh Sharma, Mohammad Ghasemigol, Yuichi Motai · 2026-06-08 04:00

面向深度伪造检测的架构自适应不确定性融合

arXiv:2606.06666v1 Announce Type: new Abstract: Deepfake detection systems achieve near-perfect accuracy on benchmarks, yet forensic deployment demands reliable prediction uncertainty. Existing uncertainty quantification (UQ) methods rely on single sources and ignore that optimal…