摘要
近年来，人工智能（AI）技术的迅猛发展催生了高度逼真的深度伪造视频（又称AI合成视频），使得深度伪造视频的检测成为一项至关重要的任务。现有检测系统普遍未能充分实现音视频数据的统一处理，因而仍有较大的优化空间。本文聚焦于多模态伪造检测任务，提出了一种基于音视频集成学习的深度伪造检测方法。所提方法由四个部分构成：视频网络（Video Network）、音频网络（Audio Network）、音视频融合网络（Audiovisual Network）以及投票模块（Voting Module）。该多模态集成学习系统能够基于输入视频，准确判断其为真实视频或伪造视频。在最新发布的多模态FakeAVCeleb数据集上的实验结果表明，该方法取得了89%的检测准确率，显著优于现有各类模型。