新视角合成（NVS）模型能够从不同视点生成同一场景的逼真图像，但这些合成视图之间并不总是几何一致的。多视图（MV）一致性已被用于评估 NVS 模型的质量，但在多媒体取证中利用它来定位宽基线图像对的几何不一致仍未得到系统研究。
为填补这一空白，我们构建了 DeformView 数据集。该数据集包含宽基线图像对，并提供像素级的几何不一致标注，旨在为几何不一致定位任务提供统一基准。
基于 DeformView，我们对现有的 MV 一致性评分方法进行了评估，结果表明这些方法在几何不一致定位任务上的迁移效果不佳，误报率较高。
针对上述问题，我们提出了 DEFECt3R——一种轻量的学习型分类器。它通过跨视图特征关系在像素层面预测几何不一致，并在训练时加入硬负例（即几何一致但外观变形的视图）进行显式监督。实验显示，DEFECt3R 能显著提升定位精度并大幅降低误报。
消融实验进一步证明，特征表示的选择以及跨视图对应质量是影响定位性能的关键因素。
总体而言，MV 几何一致性是一种有前景但尚未充分挖掘的取证信号。本文提供了首个宽基线几何不一致定位基准以及对应的基线模型，为后续研究奠定基础。
点评：MV 几何一致性在取证中的应用潜力巨大，DEFECt3R 为该方向提供了可行的技术路径。