深伪检测 | 突破传统检测瓶颈：FaceID算法团队提出基于频域自监督学习的全新深伪检测方法

近期，工信部发布了《电子认证业务规则规范》T/CQAE 11034-2025（以下简称“新规”），与《电子签名法》《电子认证服务管理办法（征求意见稿）》形成监管合力，推动电子认证行业迈入“责任压实、流程规范、全程可溯、权责清晰”的强监管新阶段，为促进行业规范有序高质量发展提供了根本遵循与行动指南。 新规核心变化：全面从严，明确行业合规要求 对比现行管理办法，新规在资质要求、业务流程、责任边界、安全管控等维度全面明确要求，通过压实电子认证服务机构（CA）的责任，构建更加透明、安全、可追溯的电子签名信任体系。此次新规成为电子签名行业发展的又一个里程碑。 新规要求：高等级证书申请须通过录音录像等方式完整记录订户意愿；基础级证书可采用强制阅读、短信、邮件等电子方式留存确认记录。 在本次新规的众多细则中，关于“签署意愿”的条款尤为值得关注。新规明确提出了“申请意愿必须全程留证”的刚性要求。具体来看，高等级证书必须明确确认用户意愿，基础级证书也需留存可追溯的确认记录。 这意味着，电子签名的法律效力判定，已经从过去单纯验证“你是谁”，全面升级为必须确凿证明“你自愿”。这一变化直接将“意愿认证”推至电子签约流程中的核心环节。 传统双录方案困境：合规达标，但体验严重滞后 新规落地前，行业普遍采用传统双录完成意愿留证，虽可勉强满足基础合规，但在实际业务中短板突出，难以适配新规精细化合规与用户体验的双重要求。 意愿活体认证，深度契合新规合规准则 围绕新规意愿核验、全程留证的核心要求，意愿活体认证针对性匹配规范条款，同时覆盖高低等级证书审核标准，兼顾合规性与实用性。 意愿活体支持灵活的双模式选择：问答式通过随机话术朗读加语音识别，有效防攻击，确认真人本人。问答话术支持自由配置，灵活应对各种场景；点头式则无需发声，仅需完成指定动作即可完成认证，流程更加流畅自然，特别适用于公共场合、安静办公区等不方便说话的签约场景。意愿确认的同时活体检测支持核验真人实时状态，有效防范录音复刻、合成语音、他人代签等风险。 意愿活体流程-问答模式 意愿活体流程-点头模式 全程同步采集高清音视频，画面语音同步无偏差，文件附带时间戳固化信息，数据防篡改、流程可追溯，留存记录可直接用于合规审查与司法取证。 问答模型明确意愿，同步采集留存 意愿确认过程中同步做活体检测，能够极大简化意愿确认和身份核验的操作。轻量化线上认证模式，无需额外设备，单个问题认证耗时20秒，流程简洁耗时短，提升用户使用体验。算法适配多元口音语速，识别稳定性强，减少重复操作，在严守合规标准的同时，提升签署转化效率。 新规已至，合规必行 《电子认证业务规则规范》（T/CQAE 11034—2025）的发布，标志着电子认证行业正式迈入更高标准的合规时代。申请意愿全程留证、认证直达、私钥直管等核心准则的落地，不再是一道选择题，而是每一家电子认证服务机构必须达成的刚性底线。 作为深耕身份认证领域的技术服务商，旷视意愿活体产品已全面对标新规，以轻量化、可追溯的认证方案，助力客户轻松达成合规，让每一份电子签名经得起司法检验。 如需体验，请扫描下方二维码申请demo演示。

随着人工智能技术的飞速发展，深度伪造（Deepfake）技术应用引发的安全问题日益突出。这项技术已成为网络犯罪的新型工具，显著增加了虚假信息传播、非法取证和网络诈骗的风险。对于企业和个人用户而言，这些高度逼真的伪造图片和视频使得真伪难辨，给信息安全带来严峻挑战。 因此，准确判别图像是否通过生成模型伪造已成为一个关键的安全问题。尽管目前已有多种方法可以检测人工生成的图像并取得了一定效果，但现有技术仍存在两个主要缺陷： 1. 检测方法对特定伪造技术的依赖性强 现有的图像检测技术通常在同一种生成方法（如基于GAN或Diffusion的技术）的数据上训练和测试，效果较好。然而，当面对其他生成方法或未知的伪造技术时，这些检测算法的表现往往不尽如人意。这种局限性可能导致企业在面对新型伪造技术时无法及时有效地识别和应对。 2. 难以识别高级伪造图像 很多检测算法，特别是基于图像特征的传统方法，往往更关注表情、肤色等明显特征，而忽视了更细微的伪造痕迹。这使得区分高质量的伪造图像和真实图像变得困难，增加了误判的可能性，进而影响企业的决策和信息安全管理。 FaceID算法团队推出了一种全新的深度伪造检测技术，该技术基于频域自监督学习（SSL）来检测伪造的图像。 这项技术的核心在于通过分析图像的“频率”信息，即从图像中提取出不同的细节层次，尤其是高频部分（通常代表图像中的细小纹理和边缘信息）。通过这种方式，算法能够更准确地识别出伪造图像中的异常特征，从而提高检测的准确性。 基于频域自监督学习的伪造图像检测方案整体流程 频域自监督学习的检测流程概述： 1) 图像频域滤波：将输入图像分解成两个部分——高频信息和低频信息。高频信息包含图像中的精细细节，如边缘和纹理，而低频信息则包含图像的整体结构。 2) 频域自监督学习：算法通过对大量真实图像的自监督学习，对低频图像进行重建，生成一个包含高频信息的图像副本。这一步的目的是让算法从低频图像中学习如何生成高频细节。 3) 残差计算：算法将最初分离出来的高频图像与重建后的高频图像进行对比，计算出它们的差异。由此得到的频域视觉残差能够揭示伪造图像中隐藏的伪造痕迹。 4) 特征提取：算法将这些残差图像输入到一个卷积神经网络（CNN）中，提取出与伪造相关的特征。这一步帮助算法学习到哪些图像特征可能是伪造的标志。 5) 图像分类：这些特征会被输入到一个分类器中，判断图像是真实的还是伪造的。分类器给出二分类结果：1表示图像是伪造的，0表示图像是真实的。 6) 损失计算和优化：最后，算法会计算分类结果与实际标签之间的误差，并通过这种误差来优化网络，使得未来的检测结果更加精准。 方案优势：有效提升了产品抵御AI深度伪造攻击的准确度和效率 1.新颖框架，单一数据集训练即可获得优异效果  采用将图像从空间域转换到频率域的方法，可以更好地区分真实人脸图像与伪造人脸图像。这种方法的优势在于，它能够在特征空间中更有效地将真实和伪造的人脸分开，从而提高对于AI深度伪造攻击的识别准确度。通过在任一伪造数据集上训练，就能在所有类型的伪造检测中获得很好的效果，这大大提升了检出的效率和适应性。 2. 专注图像高频信息，减少表情肤色等信息干扰 传统的伪造图像检测方法可能会因为图像中的人脸表情或肤色等因素而受到影响。而本方案通过自监督学习专注于高频信息的重建，专注于图像中那些不易察觉的细节，这样就不会被图像中明显的特征所误导，提升了检测的准确度。 随着AI生成内容技术的广泛应用，其带来的潜在风险让人们不得不警醒。但同时，科技界也在不断努力。在未来，旷视将在深伪检测领域继续投入，提供更加有效的检测手段让大家更容易区分真实与虚假内容，守护网络身份安全。