中科大计算机视觉就业前景,挑战Deepfake中科大斩获亚军，与第一名仅差0.0005

另一种宏观角度，则借鉴了传统的取证技术的思路，从视频的整体内容上进行检测，比如语音信息和人像结合，人物形象和背景融合等方向来寻找线索。

周文柏介绍，他们团队的思路则介于微观和宏观之间，将 Deepfake 检测当作一个细粒度分类的任务。传统的图像分类是指将花、猫、鸟等对象进行分类，而细粒度分类任务则是在某一个大类下，继续分出不同的类别，比如不同的鸟类、不同型号的汽车。

大多数 Deepfake 视频的篡改痕迹非常微弱、并且只集中在局部区域，因此模型首先要捕捉到这些细微的篡改痕迹；其次，在应对实际情况时，包括光照、人脸转向等不同场景的变化，要求模型还能实现细节捕捉。

相较于密码学，或者互联网通信这样的领域，Deepfake 检测依旧处于很初步的阶段，“哪种方法效果好，就向哪个方向去靠近，没有完整的理论体系。” 周文柏形容，“我们可能抓住了问题比较本质的角度，所以取得了比较好的效果。但是现在认为的这套理论也不一定正确。”

目前的 Deepfake 检测只能判断视频是真还是假，在接下来的研究中，周文柏和同事想实现对视频的伪造做出解释。此外，还希望更多地利用视频帧与帧之间的信息作为检测依据。

目前已经有一些方法在利用这种帧与帧之间的关联进行检测，但是利用还不充分，这就导致视频的检测结果往往差于图像。“但视频有一个持续的特征，有可能比图像包含更多的信息，所以视频检测还具有非常大的研究空间。” 此外，利用生物信号来检测，也是值得研究的方向。

信息和人工智能安全研究团队，多项技术已经应用

在此次 Deepfake 检测比赛中凭借普通的算力支撑，获得了第二名，显示了中科大团队在人工智能安全领域的实力。这只是团队的成果之一。俞能海、张卫明教授团队来自中科大信息处理中心，他们研制的多项技术已在实际中运用。