DeepMoireFake (DMF)

DeepMoireFake (DMF) 数据集是一个包含 12,832 个视频的深度伪造数据集，这些视频来自 Celeb-DF, DFD, DFDC, UADFV 和 FF++ 数据集，涵盖了 35.64 小时的视频时长。数据集包含了在不同屏幕、智能手机、照明设置和相机角度下捕捉的视频片段，从而模拟了现实世界的各种条件。该数据集的创建旨在评估当前深度伪造检测器在面对 Moire 纹理时的鲁棒性，并推动未来研究朝着解决深度伪造检测中 Moire 引起的挑战的方向发展。The DeepMoireFake (DMF) dataset is a deepfake dataset containing 12,832 videos sourced from Celeb-DF, DFD, DFDC, UADFV, and FF++ datasets, with a total runtime of 35.64 hours. It includes video clips captured under various settings including different screens, smartphones, lighting conditions, and camera angles, thus simulating diverse real-world conditions. This dataset is designed to evaluate the robustness of existing deepfake detectors against Moiré patterns, and to advance future research addressing the challenges posed by Moiré artifacts in deepfake detection.

搜集汇总

数据集介绍

构建方式

DeepMoireFake数据集通过系统化采集流程构建，从Celeb-DF、DFD、DFDC、UADFV和FaceForensics++五个公开深度伪造数据集中精选802个原始视频作为基础素材。在模拟真实场景的实验中，这些视频通过四类显示屏播放，并采用iPhone 13与三星S22 Plus两款智能手机在四种拍摄角度、两种光照环境下进行捕捉，最终生成包含12,832段视频的35.64小时数据集。该构建策略通过显示设备与摄像传感器的像素栅格干涉，自然诱导出莫尔条纹，同时记录设备类型、屏幕参数、光照条件等元数据，为研究真实场景下的深度伪造检测提供了标准化基准。

使用方法

DeepMoireFake数据集适用于评估深度伪造检测模型在真实干扰条件下的鲁棒性。研究者可基于原始视频与莫尔条纹视频的对照实验，量化条纹效应对检测精度的影响。该数据集支持对15种主流检测器的性能验证，包括Rossler、MAT、CCViT等图像检测模型及LipForensics等视频检测模型。在使用过程中，可通过提取元数据中的设备与环境参数进行细分场景分析，例如对比不同显示屏类型或拍摄角度下的模型表现。为提升模型抗干扰能力，还可将数据集用于对抗训练或结合去莫尔算法开展消融实验，但需注意去条纹处理可能同时消除伪造痕迹的潜在风险。

背景与挑战

背景概述

DeepMoireFake (DMF) 数据集由 Sungkyunkwan University 和 CSIRO's Data61 的研究团队于2025年创建，旨在解决深度伪造检测在真实场景中面临的莫尔条纹干扰问题。该数据集整合了来自 Celeb-DF、DFD、DFDC、UADFV 和 FaceForensics++ 等多个公共数据集的视频，通过智能手机在四种屏幕、两种光照条件和多角度下重新捕获，引入了真实的莫尔条纹失真。DMF 数据集包含12,832个视频，总时长35.64小时，为评估深度伪造检测模型在复杂现实环境中的鲁棒性提供了重要基准，推动了检测技术从受控实验向实际应用的过渡。

当前挑战

DMF 数据集主要应对深度伪造检测在真实场景中因莫尔条纹导致的性能下降挑战，实验显示莫尔条纹可使检测准确率降低高达25.4%。在构建过程中，数据集面临屏幕类型、智能手机摄像头差异和光照条件等多变量控制的复杂性，需精确模拟莫尔条纹的生成机制。此外，去莫尔处理作为缓解策略反而可能进一步削弱检测性能，凸显了当前模型对失真鲁棒性的不足，亟需开发能同时处理莫尔条纹、压缩和其他现实伪影的检测方法。

常用场景

经典使用场景

在深度伪造检测研究领域，DeepMoireFake数据集主要应用于评估检测模型在真实场景下的鲁棒性。该数据集通过模拟智能手机拍摄显示屏内容时产生的莫尔条纹干扰，构建了包含12,832个视频的基准测试集。研究人员利用该数据集系统分析莫尔条纹对15种主流检测器的影响，发现在LG和BenQ等背光LED屏幕上，检测准确率最大下降幅度可达25.4%。这种经典使用场景有效填补了传统深度伪造检测在真实干扰环境下的评估空白。

解决学术问题

DeepMoireFake数据集重点解决了深度伪造检测在真实应用场景中的鲁棒性问题。传统检测模型通常在理想环境下表现优异，但在面对屏幕拍摄引入的莫尔条纹干扰时性能显著下降。该数据集通过系统构建真实莫尔条纹和合成莫尔条纹两种干扰模式，揭示了检测模型对高频干扰模式的脆弱性。同时，数据集还探讨了去莫尔条纹处理对检测性能的负面影响，发现去干扰过程可能同时消除深度伪造的关键痕迹，这一发现对开发抗干扰检测算法具有重要指导意义。

实际应用

在实际应用层面，DeepMoireFake数据集为社交媒体平台和内容审核系统提供了重要的测试基准。当用户在社交网络分享通过手机拍摄屏幕获得的深度伪造内容时，莫尔条纹的引入会显著降低现有检测系统的准确性。该数据集模拟了不同智能手机、显示屏类型和光照条件下的拍摄场景，帮助开发人员评估检测系统在真实环境中的表现。特别是在新闻验证和数字证据分析领域，该数据集能够指导开发更可靠的检测工具，应对日益复杂的数字内容篡改挑战。

数据集最近研究

最新研究方向

在数字取证领域，DeepMoireFake数据集聚焦于莫尔条纹对深度伪造检测的干扰机制研究。前沿方向主要探索真实与合成莫尔模式对检测器的协同攻击效应，结合屏幕类型、拍摄角度与光照条件等多变量分析，揭示检测模型在复杂现实场景中的脆弱性。当前研究热点集中于开发抗莫尔干扰的鲁棒检测框架，通过频域分析与对抗训练提升模型对压缩失真与莫尔伪影的兼容性。该数据集的推出为构建适应屏幕录制场景的下一代检测系统提供了关键基准，对防范社交媒体恶意深度伪造传播具有重要实践意义。

相关研究论文

• Through the Lens: Benchmarking Deepfake Detectors Against Moiré-Induced Distortions

  成均馆大学, 韩国CSIRO数据61, 澳大利亚 · 2025年