基尔大学研发物理启发式AI模型，通过颜色与亮度模式识别深度伪造
在生成式人工智能技术日益普及的背景下，合成面部图像和视频的逼真度不断提高，这对数字媒体的真实性验证、身份安全以及打击虚假信息提出了严峻挑战。针对这一痛点，英国基尔大学（Keele University）的研究团队开发了一种名为 FDIP-NET 的新型人工智能检测工具。
该研究由计算机科学与数学学院的博士生 Saman Maghsoudi 领导，团队成员包括 Max Dr. Sangita 和 Nadia Kanwal 博士。相关成果已发表于《Frontiers in Imaging》期刊，论文题为《FDIP-NET: A Physics-Inspired Deepfake Image Detector using FDIP Luminance Dynamics and Calibrated CNN》（DOI: 10.3389/fimag.2026.1935077）。
引入流体动力学概念分析局部图像结构
与传统仅依赖视觉特征的方法不同，FDIP-NET 模型结合了常规彩色图像信息与三个额外的测量维度。这些测量指标借鉴了流体动力学的数学概念，旨在描述图像的局部结构特征，而无需模拟实际的物理流体运动。
具体而言，该模型重点分析图像中颜色的空间变化以及亮度的分布模式，而非追踪人物随时间推移的运动轨迹。此外，框架还引入了预测可靠性校准机制，并深入探讨了检测错误与模糊度、亮度及对比度等图像属性之间的关联。
多数据集测试准确率超98%
研究人员利用公开的面部图像数据集 DFRI、DF-wild 和 RFF-140K 对模型进行了评估。实验数据显示，FDIP-NET 在三次独立训练中的平均测试准确率表现优异：
- DFRI 数据集：平均准确率为 98.654%
- DF-wild 数据集：平均准确率为 98.952%
- RFF-140K 数据集：平均准确率为 99.669%
在另一项使用官方 FaceForensics++ c23 划分（包含训练、验证和测试集）进行的额外评估中，该模型在单个视频上的平均精度达到了 91%。
补充传统特征，提升检测鲁棒性
首席作者 Saman Maghsoudi 指出，随着 AI 生成面孔愈发逼真，评估图像真实性对于维护数字媒体信任至关重要。研究表明，图像中的亮度模式能够有效补充传统的人工智能特征，同时强调了关注预测置信度和检测错误的重要性，这与单纯追求准确率同等关键。
尽管 FDIP-NET 在特定数据集上展现了高准确性，但研究也表明，在不同数据集间的泛化能力仍存在差异。如何在面对不熟悉的数据集及现实世界复杂条件时保持可靠的检测性能，仍是未来研究需要解决的关键挑战。
