比谎言更快：基于二值神经网络的实时深度伪造检测

深度伪造检测旨在遏制由深度生成媒体引发的在线内容信任危机。尽管现有方法多依赖于大型复杂模型，但实时检测需求对模型效率提出了更高要求。为此，与以往研究不同，本文提出一种基于二值化神经网络（Binary Neural Networks, BNNs）的新型图像深度伪造检测方法，可在保持极小精度损失的前提下实现快速推理。此外，本方法引入快速傅里叶变换（Fast Fourier Transform, FFT）和局部二值模式（Local Binary Pattern, LBP）作为额外通道特征，以在频域与纹理域中有效挖掘伪造痕迹。在COCOFake、DFFD和CIFAKE等多个数据集上的实验结果表明，该方法在多数场景下达到当前最优性能，且推理阶段的浮点运算量（FLOPs）最高可降低20倍，显著提升了计算效率。通过探索BNN在深度伪造检测中的应用，实现了准确率与效率之间的良好平衡，为未来高效深度伪造检测研究提供了新的方向与技术路径。