摘要：
在当今世界，深度伪造技术已经发展到了一个阶段，即人脸交换操作可以制作出几乎难以区分的伪造图像，这对隐私、安全以及数字信任提出了严重挑战。大多数现有的检测方法都是基于监督学习进行分类的，它们需要在大量标记的伪造数据上进行训练。尽管这些方法在训练数据集上的表现良好，但在面对新的伪造手法或跨数据集评估时往往会失效。我们的团队采取了根本不同的方法。我们的框架不是去学习伪造图像的特征，而是判断视频中的面部是否真的属于其所声称的身份。我们将人脸交换检测重新定义为人体识别嵌入空间中的一个几何验证问题。基于FACTOR事实核查框架，我们提出了三种全新的评分方法，这些方法完全不需要使用深度伪造数据进行训练。我们的主要贡献之一是“身份间性几何模型”（Inter-Identity Betweenness Geometry），它将人脸交换伪造图像视为嵌入空间中源身份和目标身份质心之间的几何插值，从而在Celeb-DF v2数据集上实现了99.99%的AUC值，在FaceForensics++ Deepfakes数据集上实现了99.97%的AUC值。我们还提出了“负边距评分”（Negative Margin Scoring）方法，该方法通过将目标面孔与多个声称身份的相似度进行比较来检测源身份的泄露，在Celeb-DF v2数据集上的AUC值为99.90%；以及“统计身份建模”（Statistical Identity Modeling）方法，该方法用参考相似度的完整分布替换了FACTOR中使用的单一最大相似度，在该数据集上的AUC值为99.80%。评估涵盖了两个标准基准测试，包括11,935个视频、1,059个身份、四种伪造类型和两种压缩级别。使用这种基于“间性”（betweenness）的方法效率非常高，每种身份验证只需要大约四个参考帧，即使在高度压缩的媒体文件中，AUC值仅下降了0.03%。源身份检测分析进一步证实了这一方法的有效性...
