深度伪造检测挑战赛（DFDC）是一项于2019年12月由Facebook发起，并与微软、亚马逊网络服务以及来自牛津大学和麻省理工学院等机构的学者合作举办的公开竞赛。其目标是加速开发用于检测深度伪造的自动化工具，深度伪造是指由人工智能技术，特别是深度学习模型生成的合成媒体。该挑战赛提供了一个包含真实和篡改视频的大型数据集，总奖金池为100万美元，旨在鼓励全球研究人员构建稳健的检测系统。
该挑战赛从2019年12月持续至2020年3月，最终结果在2020年IEEE计算机视觉与模式识别会议（CVPR）上公布。获胜团队Selim Seferbekov在私有测试集上实现了0.97的平均精度，显著优于基线模型。该竞赛吸引了来自100多个国家的2000多名参与者，提交了超过35000个模型。DFDC数据集包含超过10万个视频，成为深度伪造检测研究的标准基准。
背景与动机
深度伪造于2017年随着篡改名人视频的出现而兴起，引发了对错误信息、隐私和政治操纵的担忧。到2019年，该技术已迅速发展，由生成式人工智能模型（如生成对抗网络（GAN）和自编码器）驱动。现有的检测方法通常基于不能反映现实世界变化的合成数据进行训练，导致泛化能力差。DFDC旨在通过提供包含真实操纵（包括换脸、表情重演和唇形同步）的大型多样化数据集来解决这一问题。
数据集与竞赛设计
DFDC数据集包含超过10万个来自付费演员的视频，其中一部分使用各种深度伪造生成技术进行了篡改。训练集包含75000个视频，而公共和私有测试集分别包含10000个和5000个视频。参与者需要开发能够将视频分类为真实或伪造的模型，性能通过平均精度来衡量。该挑战赛还设有一个单独的模型效率赛道，鼓励开发适合在边缘设备上部署的轻量级解决方案。
结果与影响
获胜模型是一个使用残差网络架构的神经网络集成，实现了0.97的平均精度，相比基线0.73有显著提升。前10名团队均超过0.90，证明了自动化检测的可行性。DFDC数据集和代码已公开发布，该挑战赛推动了机器学习在媒体取证领域的进一步研究。然而，该挑战赛也凸显了生成与检测之间的军备竞赛，因为更新的深度伪造方法仍在不断演进。
遗产与未来方向
DFDC为行业、学术界和政府之间合作应对AI相关风险树立了先例。它影响了后续举措，如深度伪造检测挑战赛2.0和美国国防高级研究计划局（DARPA）语义取证计划。该数据集仍是广泛使用的基准，挑战赛的发现促进了针对检测任务定制的数据增强技术和损失函数的发展。截至2025年，深度伪造检测仍是一个活跃的研究领域，在泛化和稳健性方面持续面临挑战。