AV-Deepfake1M: A Large-Scale LLM-Driven Audio-Visual Deepfake Dataset
PulseAugur coverage of AV-Deepfake1M: A Large-Scale LLM-Driven Audio-Visual Deepfake Dataset — every cluster mentioning AV-Deepfake1M: A Large-Scale LLM-Driven Audio-Visual Deepfake Dataset across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
ModalFidelity系统通过智能模态路由降低深度伪造检测成本
研究人员开发了ModalFidelity，一个旨在通过智能路由模态来高效检测深度伪造的新颖系统。该方法仅将计算资源集中在音频和视频流的相关片段上，显著减少了处理时间和成本。ModalFidelity在使用的计算能力仅为现有方法一小部分的情况下，实现了更高的准确性，甚至优于知道伪造确切位置的“神谕”模型。
-
新的AI模型EVAS和UniSkip-Mamba推动视频伪造检测进展
两篇新研究论文EVAS和UniSkip-Mamba介绍了检测视频中AI生成内容的先进方法。EVAS采用多阶段视听协同机制和边界感知细化来精确地定位伪造片段，而UniSkip-Mamba则利用一种频率感知方法来关注伪造信号最突出的低频和中频分量。两个框架在时序伪造定位的基准数据集上都展现了最先进的性能，其中UniSkip-Mamba还提供了显著更快的推理速度。
-
众包在可靠检测视听深度伪造方面面临挑战
一项新的研究论文探讨了众包在检测视听深度伪造方面的有效性。研究发现，虽然普通大众在识别真实视频方面表现良好，但他们经常会错过被篡改的内容，并且难以准确指出篡改的类型或时间戳。聚合判断可以提高真实性检测的准确性，但并不能完全解决漏检篡改内容的问题，也无法解决识别特定篡改类型（尤其是视听结合的深度伪造）的困难。