这是最主流的思路训练一个二分类模型直接判断一张脸是“真”还是“假”。这类项目通常有现成的训练代码和模型拿来就能用。AI Face Detector一个轻量级、高精度的解决方案。它基于MobileNetV2网络训练模型文件只有14MB在CPU上的推理速度小于50ms准确率能达到约95%。它的优势在于轻量、快速适合集成到应用或服务中。Deepfake Detection (Hugging Face生态)GitHub上有一个整合方案直接推荐了Hugging Face上表现最好的模型DhruvJariwala/deepfake_vs_real_image_detection。这个项目还提供了完整的pipeline能帮你处理数据集和进行模型推理。DeepFidelity一种更新的检测框架引入了“感知质量评分”机制。它认为不同质量的伪造图特征不一样通过质量感知评分来更精细地区分真假效果在多个基准测试集上表现优异代码已开源。Deepfake-Resistant Face Recognition这个项目不仅检测真假还结合了人脸识别。它使用ResNet34和Triplet Loss目标是构建一个能抵御深伪攻击的人脸识别系统其等错误率(EER)能低至0.045适合对安全性要求更高的身份验证场景。️ 防范“物理世界”攻击的活体检测这类技术主要用来防范拿着打印照片、屏幕翻拍或面具来欺骗人脸识别系统的行为属于“防伪”Anti-Spoofing领域与检测AI生成的图像出发点不同但相关。anti-spoofing-fr这个项目直接集成了MiniFASNet活体检测模型并将其作为人脸识别的“门卫”。它会先判断摄像头前的人脸是真人还是假体照片、屏幕等只有判断为活体后才会送入InsightFace进行身份匹配确保不会在伪造物上做识别。此项目完全本地运行且将依赖代码打包Vendored保证了长期的可运行性。
