CCDF 数据集：Grok Imagine、Veo 3.1、Sora 2 伪造监控录像，十个深伪检测器基本认不出

现有视频深度伪造检测数据集缺乏真实监控场景中的恶性事件内容，且真伪样本存在编码偏置，导致检测器在实际高风险威胁下的泛化能力难以被有效评估。

• 高风险场景与现实危害：商用视频生成工具成本低廉且普及，若被恶意用于伪造犯罪、事故等监控录像，可能误导应急响应或扭曲公众对事件的认知。
• 现有评估基准的内容缺陷：现有通用内容基准多包含动漫、动物或自然风光等良性网络内容，少有暴力犯罪等潜在恶意场景；且多基于较旧的开源生成器，合成伪影明显。
• 格式不匹配诱发捷径学习：现有数据集中真实与合成视频在分辨率、帧率、时长和码率等视频编码格式上存在系统性差异，导致检测模型容易依赖非内容特征进行分类。
• 论文提出的基准数据集：论文提出了 CCtv DeepFakes（CCDF）基准，包含基于 3 种前沿商用生成器制作的 16 类犯罪与事故监控视频，并提供标准化编码参数的清洗版本以消除格式捷径。

人脸深度伪造数据集

• DFDC（Dolhansky 等，2020）——发布了超过 10 万个包含 8 种生成方法的人脸视频，推动了人脸伪造检测的大规模评估。
• DF40（Yan 等，2024）——整合了 40 种开源生成器，用于评估检测算法在不同生成方法族之间的泛化能力。
• WildDeepfake（Zi 等，2020）——从互联网收集真实传播的深度伪造人脸视频，以体现网络环境中的压缩伪影与主体多样性。作者指出此类人脸中心数据集不适用于虚假事件检测。

通用内容视频深度伪造数据集

• GenVideo（Chen 等，2024）与 VidProM（Wang 等，2024）——分别构建了包含 230 万和 670 万个视频的大规模通用基准，涵盖多种开源与部分商用模型。
• AIGVDBench（Ma 等，2026）与 VidForensic（Liu 等，2025）——前者整合了 20 种开源与 11 种闭源模型；后者收录了 Sora、Kling 等商用系统生成的 1,645 个视频。
• SurFITR（Wang 等，2026）——涵盖 13.7 万张 5 种开源模型生成的监控风格图像。作者指出这些通用基准多数偏向良性内容、依赖有可见伪影的旧模型，且真伪子集存在编码属性不匹配。

深度伪造检测方法

• 特征分类与数据增强方法——早期方法利用面部边界（Li 等，2020）与频域线索（Qian 等，2020）；近期方法转向利用预训练模型特征（C2P-CLIP、ForgeLens、D3-Im）或专注训练数据与增强策略（B-Free、Community-Forensics、WaveRep）。
• 动态视频特征方法——通过 3D 物理一致性（L3DE）、扩散模型物理梯度（NSG-VD）以及时空差异与统计建模（D3-Vid、STALL）检测合成视频。

基线方法与对比基准

• 基线选取与参考集——论文选取上述 10 种检测方法作为基线，并在通用内容基准 GenVideo 的测试集上进行平行评测，作为分析 CCDF 结果的参考基准。

作者称，CCDF 是针对前沿商用系统生成的高风险恶性监控视频的深度伪造评测基准，且通过编码控制消除了低级特征偏差。

论文提出 CCtv DeepFakes（CCDF） 基准，通过视觉语言模型提取真实监控视频的多维度结构化描述，驱动前沿商用生成模型合成事件视频，并通过人工校验和编码标准化构建评测基准。

监控视频源与提示词构建

• 真实监控数据源选择：从 UCF-Crime、XD-Violence 和 MSAD 三个异常检测数据集中筛选真实样本；为保证监控特性，XD-Violence 仅保留道路事故、爆炸与打斗三类，其余两数据集保留全部类别。
• 结构化提示词抽取：随机选取 666 个视频并人工剪辑为 20 秒片段，输入 gemini-3-pro-preview 提取视频源技术细节、背景与环境、首帧细节描述、动作与事件、音频描述等 5 项结构化信息。
• 人工审查与校正：由人工标注员对模型抽取的提示词进行逐一审查和修正，确保文字描述与原始监控视频内容一致。附录 A.2 与 A.3 给出了具体抽取提示词与参数设置。

两阶段视频生成管线

• 分步生成机制：第一阶段根据技术细节、背景环境和首帧描述生成静态首帧图像；第二阶段将首帧图像与动作事件、音频描述输入视频模型生成动态视频。作者称前期测试表明两阶段方式画质优于文本直接生成视频。
• 前沿商用模型选型：成对使用同一厂商的图像与视频工具，包括 OpenAI（GPT Image 1.5 与 Sora 2）、xAI（Grok Imagine 图像与 Grok Imagine-Video）、Google（Nano Banana Pro 与 VEO 3.1）。生成视频统一设定为 8 秒并包含音频。
• 审核过滤与样本平衡：生成过程中部分暴力提示词被商用模型内置安全审核拦截；作者仅保留被三家模型均成功生成的样本，最终入选 460 个真实视频，对应每家模型 460 个合成视频，共计 1,840 个视频，涵盖 16 个事件类别。

数据集版本与编码标准化

• 原始版本（Raw）：保留商用生成器输出的原始数据，用于评估包含原始格式与画质差异下的检测表现。
• 清洗版本（Cleaned）：真实视频人工剪裁为 8 秒（原始更短则保留）、统一帧率为 24 fps、移除音频轨、统一编码为 H.264，并将真实视频分辨率与码率按生成视频分布进行镜像对齐与上限约束，以消除格式捷径。
• 修改版本（Altered）：模拟低成本后处理攻击，将帧率降低至 6 fps、随机调整饱和度与色相，并对 720p 视频分辨率减半。

实验设置

• 被测检测模型：涵盖 10 种方法，包括图像检测器 C2P-CLIP、ForgeLens、D3-Im、B-Free、Community-Forensics，以及视频检测器 WaveRep、L3DE、NSG-VD、D3-Vid、STALL（Table 2）。
• 评测数据集与版本：CCDF 清洗集与原始集（各含 460 个真实视频与 1,380 个合成视频，共 1,840 个视频）、修改集，以及 GenVideo 测试集（Table 4、Table 7）。
• 零样本评测协议：所有方法均直接采用原作者公开的代码和模型权重进行零样本评测，不针对 CCDF 数据进行重训练或微调。
• 图像模型帧采样方式：图像检测器按 1 fps 抽取每视频 8 帧，将 8 帧预测 logits 取平均作为视频级判定分数。
• 评测指标体系：采用 Area Under the Curve（AUC）、Average Precision（AP）、Balanced Accuracy（Acc，阈值 0.5）、Recall、F1-Score、Expected Calibration Error（ECE）、Negative Log-Likelihood（NLL）。

主结果

表格较宽，可左右滑动

• 检测性能整体受限：作者称在 Cleaned 集合上，10 种检测方法均无法稳定区分真实与合成监控视频，Acc 普遍在 0.50 上下波动。
• 预测倾向两极分化：作者指出多种检测器几乎将全部视频归为真或假，如 ForgeLens 的 Recall 为 0.000、Community-Forensics 为 0.009，而 D3-Vid 的 Recall 为 0.999、C2P-CLIP 为 0.986（Table 10b）。
• 与通用基准形成反差：作者称这与 GenVideo 上的表现形成对照，主要原因在于检测器多基于旧模型训练，且训练数据中存在画质差异。

编码偏置与原始数据对比

• 原始数据检测表现：在 CCDF Raw 集合上，WaveRep 的 Global AUC 为 0.882、AP 为 0.961、Acc 为 0.720；Community-Forensics 的 Global AUC 为 0.789、AP 为 0.913（Table 6）。
• 偏置消除后性能回落：转至 Cleaned 集合后，WaveRep 的 AUC 降至 0.689，Community-Forensics 降至 0.718。作者称这表明检测器部分依赖分布偏差进行决策。
• 通用基准验证：在 GenVideo 测试集上，B-Free 的 AUC 为 0.987，WaveRep 为 0.982，Community-Forensics 为 0.973，D3-Vid 为 0.972（Table 7）。作者称这确认了实验代码和抽帧评测设置的有效性。

修改攻击评测实验

• 修改集检测表现：在 Altered 集合上，STALL 因不支持低于 8 fps 视频未作评测，其余 9 种方法的 Global AUC 处于 0.288（ForgeLens）至 0.663（WaveRep）之间（Table 11a）。
• 作者解读：作者称由于检测器在 Cleaned 集合上表现本就不高，因而无法充分验证检测器对简单后处理修改的防御韧性。

其他消融与分析

• 帧率标准化消融：将 Raw 集帧率统一为 24 fps 后，图像方法无明显变化，WaveRep 的 AUC 从 0.882 降至 0.740（Table 19a）。
• 分辨率镜像消融：镜像真实视频分辨率后，WaveRep 的 AUC 从 0.882 降至 0.767（Table 20a）。
• 码率上限约束消融：镜像真实视频码率后，Community-Forensics 的 AUC 从 0.789 降至 0.648，WaveRep 的 AUC 降至 0.560（Table 21a）。
• 时长差异消融：对比使用 20 秒与 8 秒真实视频，检测器性能未观察到大幅改变（Table 22a）。

作者指出的局限与后续方向

• 未开展人类欺骗性实验：作者指出虽然对内容进行了筛选，但未评估生成视频是否能稳定欺骗人类；未来工作计划开展用户研究以根据欺骗能力对视频进行排序（Section 5）。
• 样本规模与生成模型数量较小：作者指出 CCDF 规模相较网络抓取数据集偏小，且仅包含 3 家商用生成工具；未来工作计划扩充数据集规模并引入更多视频生成模型（Section 5）。
• 定位为纯评测基准：作者指出 CCDF 保持为纯评测基准，不打算达到训练检测算法所需的规模（Section 5）。
• 提示词描述合规性优化：作者计划修改视频描述使其更符合安全审核规范而不改变内容，从而减少被审核拦截的视频数量（Section 5）。
• 视频时长受生成模型限制：作者指出受生成模型能力设定限制，当前视频时长仅为 8 秒，而真实监控录像通常更长；未来计划在生成模型允许时加入更多样化视频时长（Section 5）。
• 动作类别覆盖与样本均衡：作者指出当前仅包含 16 个动作类别，部分类别有效样本少于 10 个；未来计划扩展动作类别并改善类别间不平衡（Section 5 与附录 A.6）。

实验覆盖范围

• 被测检测模型共 10 个：包含 5 个图像检测模型（C2P-CLIP、ForgeLens、D3-Im、B-Free、Community-Forensics）和 5 个视频检测模型（WaveRep、L3DE、NSG-VD、D3-Vid、STALL）（Table 2）。
• 生成模型共 3 家前沿商用系统：图像生成采用 GPT Image 1.5、Grok Imagine、Nano Banana Pro，视频生成采用 Sora 2、Grok Imagine-Video、Google VEO 3.1（Section 3.2）。
• 数据集规模与类别：共包含 1,840 个视频（460 个真实视频，每个生成器 460 个合成视频），覆盖 16 个事件类别（Table 3、Table 4）。
• 视频属性控制范围：视频时长最长为 8 秒，帧率统一设定为 24 fps（修改集为 6 fps），分辨率在 320×240 至 1920×1080 之间（Table 4）。
• 评测协议设置：全流程采用公开权重的零样本评测，论文未报告检测器针对监控场景微调后的检测表现（Section 4）。

• 基准定位：CCDF 是针对真实监控场景中前沿商用生成器制作的犯罪与事故深度伪造视频评测基准。
• 解决的问题：现有深度伪造基准多偏向良性内容、依赖具可见伪影的旧模型，且因编码属性不一致存在捷径偏置，无法准确反映前沿商用视频生成工具对现实高风险事件构成的检测威胁。
• 方法设计：通过 gemini-3-pro-preview 从 UCF-Crime、XD-Violence 和 MSAD 提取监控事件结构化描述并经人工校验，调用 OpenAI、xAI 与 Google 的商用工具两阶段生成 8 秒视频，构建包含 1,840 个视频的基准，并通过标准化帧率、编码、分辨率和码率制作清洗集以消除编码偏置。
• 主要实验结果：在标准化清洗集上，10 种前沿检测器的 Global Acc 均在 0.50 附近，ForgeLens 的 AUC 为 0.349，WaveRep 的 AUC 从原始集的 0.882 降至 0.689，Community-Forensics 的 AUC 从 0.789 降至 0.718（Table 5、Table 6）。
• 作者结论与启示：作者认为现有检测器在零样本设定下难以应对前沿商用模型生成的监控事件伪造视频，且容易依赖画质与格式偏置，凸显了面向高风险实战场景构建严谨基准与研发更具泛化能力的检测方法的必要性。