随着Deepfake技术不断进化，换脸、伪造语音、AI生成视频等恶意内容已成为网络安全领域的新型威胁。面对市面上层出不穷的深度伪造检测模型，如何客观评价其真实检测能力，如何从众多模型中筛选出高价值模型应用于实战防御，一直是行业亟待解决的难题。

针对这一痛点，合肥高维数据技术有限公司成功研发 “基于深度伪造视频检测的模型的评价方法及系统” ，并已获得国家发明专利授权（授权公告号：CN113326400B）。该专利通过建立公共视频样本库、引入参考模型校正机制、多维度加权评分，实现了对深度伪造检测模型的客观、稳定、可比较的自动化评价。

核心方案：用“参考模型”锚定评分基准

传统模型评价通常由研发者在有限样本集上测试得出，样本不同则评分差异大，难以横向比较。该专利创新性地引入参考模型校正机制：

系统内置一个或多个参考模型，并为其设定预设分值；

在同一批样本上，同时测试待评分模型与参考模型；

根据待评分模型与参考模型在各项指标上的表现差异，按正激励或负激励方向计算得分；

待评分模型表现优于参考模型则得分更高，劣于参考模型则得分更低。

这样一来，待评分模型的得分不再因样本集随机波动而大幅浮动，评分结果更稳定、更具参考价值。若设置多个参考模型，还可综合多个打分结果求取均值，使评价更合理。

多维度评价：速度、正确率、假阳率、假阴率

该专利支持对检测模型的多个关键指标进行评价：

检测速度：检测越快，得分越高；

检测正确率：识别越准，得分越高；

假阳率：误报越低，得分越高；

假阴率：漏报越低，得分越高。

各指标可独立评分，也可按权值加权平均得到综合得分。专利实施例中，检测正确率权重最高，检测速度、假阳率、假阴率权重较低，用户可根据实际需求灵活调整。系统最终可输出单项得分、综合得分及评分报告，方便模型间横向比较。

随机抽样：让评分更公正

视频样本库中样本数量庞大，如何抽样直接影响评分公正性。该专利设计了基于线性同余法的随机抽样流程：

从样本库中随机选取起始样本；

按预设递推方式生成新的随机序号；

舍弃重复序号，最终形成指定数量的不重复样本集。

通过该方式抽取的样本集随机性更强，可有效避免人为挑选偏差，让评分结果更具参考价值。

系统架构：样本库、智能评分、任务调度

该评价系统由三大模块组成：

视频样本库：存储视频及其真伪标记，支持研究团队补充和更新；

任务智能调度模块：设置任务开始时间、样本集数量、每个样本集样本数量、并行任务数量，自动抽样并调度评分任务；

智能检测评分模块：预设评价指标，自动计算模型得分，输出评分报告。

待评分模型通过标准接口封装接入系统，支持功能测试、模型更新与下架。系统硬件部分由带GPU运算能力的服务器集群组成，具备存储和算力扩展性。所有评分任务结束后，系统通过加权平均完成自动评分，并支持评分报告展现和导出。

应用场景：从模型筛选到防御体系构建

该专利技术可广泛应用于以下场景：

深度伪造检测模型评测：为科研机构、企业提供第三方客观评分，筛选高价值模型纳入实战防御系统。

网络安全防御体系构建：通过持续评测，打造和巩固深度伪造检测防线，服务国家安全需求。

AI模型竞赛与认证：为深度伪造检测挑战赛提供标准化评分工具，推动技术良性竞争。

司法取证与鉴定：为司法机构评估伪造视频检测工具提供量化参考，辅助证据认定。

样本库生态共建：吸引模型研发人员参与样本库完善，形成“评测—反馈—优化”的良性循环。

平台内容治理：为短视频、直播平台提供检测模型选型依据，提升Deepfake内容拦截能力。

总体来看，该专利以“参考模型锚定、多维度加权、随机抽样”为核心，填补了深度伪造检测模型客观评价体系的空白，为网络安全防线建设提供了重要技术支撑。

技术交流与合作洽谈：请致电 0551-67122296

关注我们：获取更多【专利解读】与技术干货

分享本文：让更多面临同样安全挑战的伙伴看到它！

- END -