2026年10月22日，Springer旗下《SN Computer Science》发表研究论文《Temporal-Attentive ViT-GAN: A Hybrid Framework for Deepfake Detection via Spatiotemporal Inconsistency Learning》，提出将视觉Transformer（ViT）的空间表征、注意力特征处理与视频帧间时序一致性结合，用于识别深伪视频。论文原始摘要
研究流程包括使用MTCNN检测和对齐人脸，从视频中均匀抽取帧，再由预训练ViT提取特征；模型汇总各帧的伪造概率形成视频级判断，并保留Frame Consistency Index作为衡量相邻帧表征变化的辅助指标。与可能因训练集和测试集人物重叠而产生的身份泄漏问题不同，论文采用subject-disjoint的Celeb-DF v2测试协议，确保测试身份不出现在训练和验证数据中。
在包含220段视频的测试集上，论文报告该方法准确率为87.73%，伪造类别精确率为93.46%，召回率为83.33%，F1值为0.8811，ROC-AUC为0.9515；相同协议下，单独使用ViT的基线准确率为83.64%，F1值为0.8393。上述结果说明，在论文设定的数据集和评测协议内，加入时序信息后观察到性能提升，但不能据此直接推断模型对不同来源、不同压缩程度或真实社交媒体视频同样有效。
这项工作的关注点不只是提高单一测试指标，也在于通过身份隔离评测减轻数据泄漏对结果的影响。不过，当前可核实信息主要来自论文摘要和出版页面，完整实验细节、跨数据集泛化能力以及对最新生成模型的适应性仍需进一步核查。事件发生与论文正式发表日期均为2026年10月22日；论文页面显示其版本记录日期也是2026年10月22日。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
