核心发现
方法论
本文提出的GenD方法，基于预训练视觉编码器（如CLIP、PE、DINO），仅微调Layer Normalization层（占总参数0.03%），通过L2归一化和度量学习，构建超球面特征空间，增强模型泛化能力。训练时采用配对真实与伪造视频，利用对比损失、均匀性和对齐损失，优化特征空间的紧凑性和分离性。实验证明在14个公开基准数据集上，AUROC指标优于多种复杂模型。
关键结果
- 在跨数据集AUROC平均值上，GenD超越所有对比模型，尤其在CDFv2和FFIW数据集上达成最高性能，平均提升超过2%。在单一模型架构下，微调Layer Norm参数显著改善泛化，验证了配对训练和特征空间正则化的重要性。
- 模型在不同预训练编码器（CLIP、PE、DINO）上均表现优异，尤其CLIP版本在多个基准上达成96.0%的平均AUROC。多次消融实验显示，仅微调Layer Norm参数即可实现与复杂方法相媲美的性能。
- 通过对比未配对训练集，验证了配对数据能有效减少模型的捷径学习，提升泛化能力。训练在较旧、多样化数据集上，反而比仅用最新数据更具鲁棒性。
研究意义
该研究突破了深度伪造检测中泛化能力的瓶颈，展示了微调预训练模型参数的高效策略，极大降低了模型复杂度与计算成本。对于实际应用，能在多变的伪造技术面前保持稳定性能，推动深度伪造检测从实验室走向实际部署。其提出的配对训练策略，为未来多模态、多任务模型的泛化提供了新思路，有望引领行业标准的提升。
技术贡献
核心技术在于仅微调Layer Normalization层参数，结合L2归一化和度量学习，构建超球面特征空间，增强特征的分离性。该方法在保持模型参数极少的情况下，显著提升跨数据集性能，突破了传统微调和架构复杂化的限制。通过对比不同预训练模型，验证了方法的普适性和有效性，为参数高效迁移学习提供了新范式。
新颖性
本研究首次提出只微调Layer Norm参数的深fake检测方法，结合超球面特征空间和配对训练策略，显著提升模型泛化能力。与以往依赖复杂架构或全参数微调的方案不同，强调参数最小化与特征正则化的结合，开创了深fake检测参数高效微调的新路径。
局限性
- 该方法依赖配对数据的构建，可能在某些场景下难以获得高质量配对样本，影响泛化效果。
- 仅微调Layer Norm参数虽高效，但在极端复杂或新颖的伪造技术面前，仍存在一定的性能瓶颈。
- 模型在处理极端低质量或严重压缩的视频时，鲁棒性尚需进一步验证。
未来方向
未来将探索多模态融合和多任务学习策略，结合音频、文本信息，进一步提升检测泛化能力。同时，研究如何自动生成高质量配对样本，减少人工标注成本，推动模型在实际场景中的应用落地。
AI 总览摘要
深度伪造技术的快速发展使得检测模型面临极大的泛化挑战。传统方法多依赖复杂架构或大量参数微调，导致模型难以在未见过的伪造手段中保持稳定表现。本文提出的GenD方法，通过仅微调预训练视觉编码器中的Layer Normalization参数，结合L2归一化和度量学习，有效构建超球面特征空间，显著提升模型跨基准数据集的泛化能力。
在14个公开基准数据集上的广泛评估显示，GenD在平均跨数据集AUROC指标上超越多项最新复杂模型，尤其在CDFv2和FFIW数据集上表现优异，达96.0%的平均AUROC。关键在于训练过程中采用配对真实与伪造视频，减少捷径学习，强化对低级伪造痕迹的捕捉能力。这一策略不仅提升了模型的鲁棒性，也降低了参数调优的复杂度。
该研究的技术创新在于只微调Layer Norm参数，结合超球面特征空间和对比损失，突破了传统微调的性能瓶颈。其简洁高效的设计为深fake检测提供了新范式，具有广泛的实际应用潜力。未来，结合多模态信息和自动配对生成，将进一步推动深fake检测技术的实用化和普及。
深度解读
原文摘要
The generalization of deepfake detectors to unseen manipulation techniques remains a challenge for practical deployment. Although many approaches adapt foundation models by introducing significant architectural complexity, this work demonstrates that robust generalization is achievable through a parameter-efficient adaptation of one of the foundational pre-trained vision encoders. The proposed method, GenD, fine-tunes only the Layer Normalization parameters (0.03% of the total) and enhances generalization by enforcing a hyperspherical feature manifold using L2 normalization and metric learning on it. We conducted an extensive evaluation on 14 benchmark datasets spanning from 2019 to 2025. The proposed method achieves state-of-the-art performance, outperforming more complex, recent approaches in average cross-dataset AUROC. Our analysis yields two primary findings for the field: 1) training on paired real-fake data from the same source video is essential for mitigating shortcut learning and improving generalization, and 2) detection difficulty on academic datasets has not strictly increased over time, with models trained on older, diverse datasets showing strong generalization capabilities. This work delivers a computationally efficient and reproducible method, proving that state-of-the-art generalization is attainable by making targeted, minimal changes to a pre-trained foundational image encoder model. The code is at: https://github.com/yermandy/GenD