在学术基准上表现接近完美的深度伪造检测器在现实内容中却遭遇崩溃：最近的实地评估报告显示，最先进的开源模型的AUC下降了45-50%。我们认为这种差距是结构性的：静态检测器在不断变化的生成前沿上训练一次。我们提出了BitMind Forensics (BMF)，通过Bittensor SN34进行训练，这是一个持续更新训练分布的开放对抗竞赛。
我们评估了一个过时的导出，包括图像、普通视频和人类视频的检查点，跨越十九个公共数据集：经典的面部交换套件（FaceForensics++、Celeb-DF v1/v2/++、DFDC、DFD、UADFV、DF40）和最近的实地与AI生成媒体基准（Sumsub、Deepfake-Eval-2024、WildRF、Community Forensics、AIGCDetectBench、GenImage、AI-GenBench、AIGIBench、RAID、GenVidBench、GenVideo-100K）。BMF在Sumsub的原始图像上达到了0.936 AUC，在其完整的四种条件操作电池（140万图像）上达到0.872的汇总AUC，在扰动下保持稳健（0.855 JPEG，0.799下采样），同时GPEN增强提升了检测能力（0.996）。在Deepfake-Eval-2024上，它在图像上与最佳商业检测器相匹配（0.915对0.90），在视频上超越了它（0.822对0.79），远超最佳开源检测器（0.56和0.63）。它在21个生成器AI图像面板上达到0.991 AUC，在GenVidBench上为0.918，并在DFDC（0.947对0.843）和Celeb-DF v2（0.9985对0.956）上超越了FF++训练的前沿，均经过污染审计，并在Celeb-DF++上实现统计平衡。
在时间研究中，连续的过时导出在静态基线训练中缺失的生成器的保留媒体上有所改善（图像0.842提升至0.902；视频0.864提升至0.936）。我们的评估工具是公开的，并且在发布时，生产API提供了精确的评估快照以供独立验证。
博主点评： 该研究表明，动态更新的检测系统在应对不断演变的深度伪造技术方面具有显著优势。BMF的强大性能不仅反映了其训练方法的创新性，还为未来的深度伪造检测提供了重要的参考和实践依据。动态训练机制能够有效地弥补静态模型在现实世界应用中的不足，是值得推广的方向。