MoDA：检测与归因动作感知深伪视频

姿态引导扩散模型已经能够合成运动中的完整人体，形成动作感知深伪（MAD）这一新类型，其视频已触达数亿观众。为理解这一威胁，我们构建首个MAD专用基准与测量框架，包含超过150万帧，混合1,363段真实视频及六种可控生成器产生的30,122段合成视频，并加入现实扰动和开放世界评测划分。分析发现，虽然视频整体连贯，仍暴露微弱但可靠的线索：模型依赖有限输入帧合成运动，必须预测运动边界处的连贯变化，因而产生高频伪影和生成模型特有的频谱指纹。基于这些观察，我们提出首个面向MAD视频检测与归因的防御框架MoDA。它通过跨域对齐和多尺度聚合，将空间语义与包含隐写分析信息的频率特征结合。在分布内和跨数据集检测上，准确率分别为94.8%和89.1%，较先前工作提高10%—25%；生成模型归因准确率为91.5%。在两个未见过的商业MAD平台生成的200段视频上，准确率为81.94%，显示了零样本迁移潜力；在开放互联网收集的1,200段未见MAD视频、共5.5万帧上，检测准确率为78.13%。在白盒、灰盒和黑盒自适应攻击下，MoDA检测与归因表现相对稳定，而基线准确率迅速下降。