2026年IEEE 針對Deepfake兩篇Review論文
2026年IEEE 針對Deepfake兩篇Review論文
Explainable Deep Learning for Digital Image Forgery Detection: A Systematic and Critical Review
https://ieeexplore.ieee.org/document/11467619
大多數鑑識框架使用二元分類結果
真正例（True Positives, TP）、偽陽性（False Positives, FP）、偽陰性（False Negatives, FN）與真陰性（True Negatives, TN）來評估檢測準確度與定位可靠性
精確率（Precision）、召回率（Recall）、F1 分數（F1-score）、交集比並（Intersection over Union, IoU）、準確率（Accuracy）以及馬修斯相關係數（Matthews Correlation Coefficient, MCC）是最常被採用的衡量指標
Conclusion
- 即時或大規模的鑑識部署亦具挑戰性，資源與限制仍是部署上的瓶頸。
- 未來研究應探討可於裝置端或雲端輔助分析上使用的輕量、低成本且具可擴展性的平臺。
Deepfake Detection in Images and Videos: A Comprehensive Review of Techniques and Challenges
https://ieeexplore.ieee.org/document/11570319
深偽偵測方法
- Image-Based Deepfake Detection
- Video-Based Deepfake Detection
- Graph-Based Deepfake Detection
- Ensemble and Hybrid Deepfake Detection
Conclusion and future work
- 現有方法仍在產生高品質 deepfake、跨資料集泛化（過度擬合）、資料集多樣性不足以及在計算資源受限情況下運作等方面面臨挑戰。
- 未來的工作應著重於開發在未見操控技術與多樣化實際情境下仍具穩健性與泛化能力的偵測框架。諸如視覺與音訊等多模態資料能大幅提升偵測效能。
- 除此之外，亦需研發輕量且高效的模型，以便在應用中實現即時部署。
留言
張貼留言