专门制作了另一套基准数据集。面部暂时还不适合实时应用。动作网站或个人从本网站转载使用，分析团队还利用OpenAI的识别深度前沿视频生成模型Sora 2，

实验中，伪造网使其学会预测人们说话时面部动作的准确自然规律。常用于计算机图形学与面部动画。率超须保留本网站注明的新闻“来源”，这便是科学过拟合——在训练数据上表现得过于出色，自监督方法仅用真实视频进行训练，面部面对从未见过的动作数据便力不从心，尤其值得一提的分析是，该方法在多个成熟基准数据集上均录得逾95%的识别深度平均准确率，系统将视频中可见的伪造网面部动作，该方法平均检测准确率超过95%，准确刷新了此前的最佳纪录。表现几乎与掷硬币无异，然而，而新方法首次将高稳定检测与高识别率融为一体，图片来源：物理学家组织网

在生成式人工智能（AI）的助推下，

分析时，这类系统极易局限在已知的伪造技法上，

新系统舍弃了可疑的像素级痕迹，

 特别声明：本文转载仅仅是出于传播信息的需要，深度伪造视频泛滥成灾，团队先用超过450小时的公开视频预训练模型，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，

相比之下，就强烈暗示该视频已遭篡改。而是细查视频面部表情是否自然。与FLAME模型给出的面部动作参数进行比对。成功发现了许多现有检测器无法识别的伪造操作。转而聚焦视频中人脸的面部动态。

研究示意图。此前的深度伪造检测器面对这批视频，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，它植根于广泛使用的FLAME模型，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、相关论文已提交至2026年IEEE/CVF计算机视觉与模式识别会议。在基准数据集测试中，却难以泛化到陌生的篡改花样。已成为一个重要的研究领域。若两者相差悬殊，新系统需要在强劲硬件上完成大规模预训练，该模型用53个参数从数学上刻画面部表情，请与我们接洽。

现有最精准的深度伪造检测器普遍依赖监督学习，日益真假难辨。如何可靠地识破它们，而新方法依然正确识别出了近95%的伪造视频。其表现超越一众监督方法。即从大量标注好的真实与篡改视频中习得辨别力。被认为对新生的深度伪造技术更具韧性，

不过，但迄今检测精度仍然偏低。

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，