英文题目：DFD-Lab: A Modular Audio-Visual Deepfake Detection Pipeline
标签：#音频深度伪造检测 | #多模态学习 | #音视频 | #数据增强 | #评测协议
评分：5.4/10 | 创新 1/2 | 技术严谨 1/1.5 | 实验充分 0.9/1.5 | 清晰度 0.7/1 | 影响力 0.7/1.5 | 开源 0/1.5 | 可复现 0.1/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Jan Rybarczyk：机构信息未在 arXiv HTML 中可靠披露
- Mateusz Roszkowski：机构信息未在 arXiv HTML 中可靠披露
- Jacek Komorowski：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
音视频深度伪造检测以配对的人脸视频与语音为输入，输出二分类真伪判决，难点在于数据集组织、时序对齐与模态融合方式各不相同导致结果难以横向比较。本文所述系统技术报告构建了DFD-Lab统一流水线，先由数据集适配器解析元数据与标签并送入共享预处理，再将人脸裁剪与梅尔特征按时序索引成片段存档，最后由可互换检测器输出二值逻辑值并统一计算排序与分类指标。该工作与已有基准的关键机制差异在于把公共配对表示与私有的融合时序计算彻底解耦，使晚期分数取最大、循环时序聚合与跨模态特征映射三种异构模型共用同一训练评测外壳。在以FakeAVCeleb为训练集、约1000条的Deepfake-Eval-2024过滤子集为外部测试的设置下，Xception最大融合的外部受试者工作特征曲线下面积（area under receiver operating characteristic curve，AUROC）从基线0.504升至JPEG50训练增强后的0.691，而准确率从0.655降至0.538，揭示了排序与决策的背离。结论仅适用于所选外部子集与三种实现，不支持向完整基准或纯架构优劣的外推。原文未披露训练、推理或部署成本，实现声明公开可获取。
🔗 开源与复现资源
本次未形成可展示的已核验资源记录，开放状态尚未核实。
可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。
🧭 深度解读
输入是什么？为什么音视频伪造检测不止是选分类网络？
本文的研究对象是音视频深度伪造检测，输入是包含人脸视频和对应音频的片段，目标是输出该片段为真实还是伪造的二分类判断。对于刚进入语音音乐音频领域的研究生，第一个要建立的动作是把任务拆成四件事：如何从原始视频文件中取出人脸，如何把音频变成特征，如何让声音和画面在时间上对上，如何把模型输出压缩成可报告的指标。论文反复强调，比较检测器时如果只写分类骨干网络的名称，会漏掉前面三件事的具体做法，导致结果无法复述。
举例来说，同样叫残差网络加循环网络的系统，若人脸裁剪边距不同、音频采样率不同、片段窗口长度不同，得到的数字就不是在同一条件下比较。教学例子：这就像比较两台录音设备，不能只比较解码芯片，还要说明麦克风摆位、采样率和切分方式，例子本身不附带任何效果数值。论文要解决的正是这种协调问题：数据集的文件组织不同，时间表示不同，模型接口不同，实验条件不同，需要一条把职责分开的管线。
本文默认只讲论文实际做的音视频二分类任务，不扩展到纯音频或纯视觉伪造的一般结论。后续各节按学习依赖展开，先讲相关路线，再走完一个样本从输入到输出的全程，然后讲训练与 3 种实验，最后讲复现边界。
已有路线提供了什么？DFD-Lab 把重点放在哪里？
可复用的评估框架已经存在。论文提到 DeepfakeBench 提供了统一的伪造检测基准框架，DeepfakeBench-MM 进一步面向多模态，组织了标准化预处理、训练和评估，接入了多个多模态数据集和检测器实现，并覆盖了数据集内、跨数据集和跨管线等协议，以及模态使用和训练增强分析。理解这条线的动作是：把数据处理、模型执行和报告组织起来，让不同检测器可以在同一套流程下比较。另一条线是音视频检测方法如何融合证据。
论文提到一种联合检测模型，用独立的音频流、视觉流加一条同步流连接二者表示，处理单模态或双模态被篡改的情况；另一种是 AVFF 的 2 阶段做法，涉及对比学习、自编码和互补掩码。理解这条线的动作是：区分管线共享的表示与检测器内部的融合机制，前者是大家共用的输入约定，后者是各家自己的计算。第三条线是数据集与退化输入。
论文用 FakeAVCeleb 作为多模态音视频伪造训练集，用 2024 年流传的野外伪造集合 Deepfake-Eval-2024 作为外部评估来源，并引用 DeeperForensics-1.0 把压缩和噪声等真实扰动纳入评估的做法。DFD-Lab 的定位不是提出新的融合结构，而是把配对片段表示、可互换的检测器接口和 3 种具体实验工作流连接起来，并从数据适配走到指标报告。论文用 AVFF-R 表示自己的 AVFF 重实现，以区别于原作者实现和已发表结果，这个命名在后文固定使用。
要回答的三个实验问题是什么？为什么不能混成一个鲁棒性？
论文把容易混淆的 3 个问题分开。第一个问题是换评估数据集会怎样，即在源数据集上训练好的模型拿到另一个集合上测试，考的是跨集合迁移。第二个问题是变换训练输入会怎样，即训练时加入降质或扰动再训练，考的是学习条件改变后的外部表现。第 3 个问题是只在评估时变换输入会怎样，即固定已经训练好的模型，给它看降质后的源域输入，考的是已学模型的敏感性。初学者常犯的错误是把 3 类数字都叫作鲁棒性提升或下降，直接比较大小。
论文要求的操作是：每次报告必须同时写清变换名称、变换放在训练还是评估、评估用的是源域还是外部数据、看的是排序指标还是判决指标。只有这样，才能解释为什么同一个 JPEG50 在训练增强中让外部排序变好，在评估时腐蚀中却让源域排序变差。它们不是矛盾，而是问题不同。本文后续严格保留这种区分，不把不同位置和不同数据集的数字放在同一列下比较。
本文讨论的变换限定为论文列出的 5 种：空间分辨率减半、图像压缩、音频压缩、音频加噪和音画时间错位，不引入无源的新扰动类型。
DFD-Lab 全景：一个样本如何走完适配到指标？
沿一个样本走完主路径有助于建立全局图。第一步是数据集适配器读取源记录和标签，把不同数据集的目录和元数据翻译成预处理可用的记录，决定哪些样本有资格进入音视频流程。第二步是预处理做人脸裁剪和音频特征提取，并按片段窗口把图像和音频特征按时间对齐，形成带索引的片段。第三步是把片段序列化存成传输分片，训练和评估时由共享加载器重建成张量。
第四步是检测器接收配对的视觉和音频张量，在内部完成融合与时间聚合，输出每个片段 2 个类别的 logits。第五步是评估组件把 logits 转成分数和预测类别，再算出排序指标和分类汇总。配置层控制数据集选择、表示、变换、检测器和运行设置，训练层还会更新检测器参数。关键点是变换的位置决定实验含义：写进训练用输入制品的变换属于训练干预，写进评估用输入制品的变换属于评估干预。
离线物化让输入制品显式可查，但代价是换变换就要重新生成制品，不能在训练中动态随意改。
数据集适配器 × 配对片段表示： 数据集适配器负责解释各数据集的元数据、目录结构和标签映射，找出可用的音视频输入；配对片段表示负责把人脸图像序列与音频特征按时间位置对齐并存成统一的输入单元。二者搭配的原因是换数据集只应换上游解释逻辑，不应重写检测器输入，组合意义是让不同来源的数据都能喂给同一检测器接口。
下面先看论文对 3 种工作流的划分，比较问题、干预与评估的对应关系是否一致，指标方向是排序越高越好、准确率越高越好，公平条件是共享同一套音视频处理与指标代码。
| Workflow | Intervention and evaluation | Evaluation question |
|---|---|---|
| External testing | Source-trained baseline models evaluated on a filtered Deepfake-Eval-2024 subset | How do the trained detectors perform on another collection? |
| Training augmentation | Change source training inputs; evaluate the resulting models on the external subset | How does each training transformation affect external AUROC and accuracy? |
| Evaluation-time corruption | Change source-domain evaluation inputs for clean-trained models | How sensitive are fixed detectors to degraded audio-visual inputs? |
上表把外部测试、训练增强和评估时腐蚀分成三行，论文用它来约束后文所有数字的解释范围。外部测试只换评估集合，不改训练；训练增强改源域训练输入，再到外部评估；评估时腐蚀不重训练，只改源域评估输入。记住这个划分，后文看到 JPEG50 出现 2 次时就不会混淆。管线本身不承诺哪种变换一定有效，只保证变换可配置、可复述。
数据做了什么变换？检测器接口卡住了哪些形状？
数据处理部分给出可复述的具体动作。视频路径用人脸检测器做人脸检测，额外裁剪边距为 0.2，再缩放到 299 乘 299 像素，目的是把视觉分支的空间输入统一到人脸外观。音频用 16 千赫采样率、64 频带的梅尔表示，傅里叶变换点数为 1024，跳长为 256，音频特征在送入检测器前与片段中的视觉位置关联，建立公共的时间索引约定。论文明确提醒这是一种设计选择，需要原始波形或不同时频分辨率的结构要另加转换或改输入约定。
片段是存储和模型输入的单位，预处理配置用 25 帧窗口、步长 20，图像以 WebP 质量 90、音频以半精度数组存进传输分片，共享加载器再重建张量。预处理窗口长度与加载器请求的序列长度是两个独立配置参数，存储布局与检测器输入的时间长度可以分开设置。检测器接口接收视觉与音频张量，返回二分类 logits，并定义预测、置信度和模态特征访问方法，把模型内特征提取与共享训练任务分开。
论文用符号区分批量、时间位置和空间或特征维度，视觉与音频维度不必相同，时间长度与特征维度依赖于准备和加载配置。
晚期分数融合 × 循环时间融合： 晚期分数融合指 Xception Max-Fusion 那样先让视觉和音频分支各自输出 logits，再在模态和时间上取最大值得到片段分数；循环时间融合指 ResNet+LSTM 那样先提取每帧特征，再用循环网络按顺序累积时间状态后分类。二者搭配比较的原因是它们共享同一外部目标但内部计算不同，组合意义是在同一管线下对照最大值决策与顺序累积决策的行为差异。
Xception 最大 logit 融合的计算目标是先让两个模态分支各自在每个时间位置输出类别 logits，再在模态和时间上取最大值得到片段级类别 logit，最后做 softmax 得到片段分数。符号含义是：下标 t 表示时间位置，下标 c 表示类别，上标 v 和 a 分别表示视觉和音频分支，T 表示时间长度。原文明确的实现是最大值可以来自不同帧或不同模态，真实类和伪造类的最大值不必来自同一位置。共享接口只暴露结果 logits，不把该融合规则强加给其他检测器。
\[z_{c}=\max_{1\leq t\leq T}\max\{z_{t,c}^{v},z_{t,c}^{a}\}.\]上式是该实现的核心聚合，理解时先确认输入是两组按时间展开的 logits，输出是每个类别一个最大值。不猜梯度路径的细节，论文未给出逐分支梯度推导，复述时只讲前向聚合与类顺序保留。ResNet 加长短期记忆网络的做法是把残差族编码器用于模态输入，再用循环时间处理后分类，内部状态依赖有序序列而不只是最大响应。AVFF-R 用独立编码器和跨模态映射组合原始与映射表示，编码器预训练先于检测器训练。这些区别保留在检测器及其预训练工作流内部，不需要另定义外部结果表。
三个检测器有何不同？新增检测器要满足什么约定？
3 个实现代表 3 类融合。Xception 最大融合代表晚期分数融合，ResNet 加循环代表循环时间融合，AVFF-R 代表跨模态特征融合。论文强调它们可以共享实验目标而不共享内部计算，这正是模块化的价值。复述时要固定简称：Xception Max-Fusion、ResNet 加循环的简写、AVFF-R 特指本文的重实现。新增检测器的动作在论文中有明确清单：接受配对张量，按期望类顺序返回 logits，实现所选工作流用到的接口方法。
若需要其他表示，在输入边界加转换。例如从 Xception 最大融合换到 ResNet 加循环，只改配置的检测器及其内部时间聚合，保留数据集适配器、已准备片段和指标计算。论文未报告各检测器内部参数冻结或更新的逐层清单，也未给出损失函数之外的优化细节推导，缺项在复现节集中说明，不从模型名称推定实现。另一个易误解点是 AVFF-R 的数字不能直接当成原论文 AVFF 的数字，因为预训练数据、实现细节和评估子集都不同，只能当作本管线内的一个重实现分支。
跨模态特征融合 × 检测器接口： 跨模态特征融合指 AVFF-R 那样用独立编码器加跨模态映射来组合原始与映射表示；检测器接口指要求输入配对张量、输出二分类 logits 并保持真假类顺序的公共边界。二者搭配的原因是把复杂的融合实现关在接口内部，组合意义是换融合方式时训练循环、数据准备和指标计算都不必重写。
本节承担的教学任务是让读者能沿样本说出每一站的输入输出：适配器输出可用记录，预处理输出索引片段，加载器输出配对张量，检测器输出两个 logits，评估输出分数、类别与汇总指标。任何一站换了制品，都要当作新的实验条件记录，而不是只记模型名。
训练与构造如何组织？变换放在哪里？
训练层按配置构造所选检测器，把批量送入模型，计算配置的损失，管理优化与指标报告。模型模块、类别与参数与周围训练设置分开，支持换检测器而不复制整个训练循环，同时保留模型特有的初始化与预训练。论文列出的可用配置包括预处理、训练、评估和编码器预训练，数据变换因此可以指派给训练用输入准备或评估用输入准备，位置而非名称决定实验干预。
支持的变换覆盖图像缩放与压缩、音频扰动和时间偏移，它们作用阶段不同：图像编解码改图像内容，波形噪声在音频特征提取之前加入，时间偏移改模态间关联。物化变体的做法是把所选输入制品显式固定，变换配置成为实验溯源的一部分。需要指出的缺项是：论文未给出优化器类型、学习率、批量大小、训练轮数和损失权重的完整清单，也未说明编码器预训练与检测器训练之间参数是否冻结或如何重置，复述时不补写这些超参数。
本节没有把无训练等同于确定性求解，3 个检测器都是要训练的系统，只是本文重点在于用同一训练外壳去装不同内部计算。
训练增强 × 评估时腐蚀： 训练增强指改变源域训练输入后再训练模型并做外部评估，改变的是学习条件；评估时腐蚀指固定已训练好的模型，只改变源域评估输入，探测的是已学模型的敏感性。二者搭配的原因是同一变换名如 JPEG50 可以出现在两个位置，组合意义是必须用干预位置加数据集来区分结论，不能把两类数字当成同一种鲁棒性。
记住训练增强与评估时腐蚀的操作差异：前者要重新训练并到外部评估，后者用干净输入训练好的模型直接在源域降质输入上评估。干净在这里指未增强的参考条件，不意味着无损图像或没有管线常规预处理。后文所有结果都按这个位置划分来读。
实验条件：数据、协议、变换与指标如何固定？
数据方面，训练用 FakeAVCeleb 做音视频二分类，外部测试用过滤后的 Deepfake-Eval-2024 视频子集，约 1000 个视频，选出与音视频设置兼容的样本。复述时必须强调这是选出的子集，不是完整基准，结论只适用于该子集。实现方面，3 个标签都是管线内实现，AVFF-R 用 LRS2 做预训练。协议方面，外部基线是源训练模型在过滤外部子集上评估；训练增强是改源训练输入再到外部评估。
腐蚀研究是干净训练模型在源域评估输入上加变换。变换标签只标识实验干预，不是新数据集或新结构：RES50 把空间分辨率降低 0.5 倍，JPEG50 用质量因子 50 做图像压缩，AAC96K 用 96 千比特每秒做音频压缩，SNR10 以 10 分贝信噪比加音频噪声，DESYNC 引入最大任一方向 200 毫秒的音画时间偏移。指标用 0 到 1 区间的 AUROC 和准确率，AUROC 看排序，准确率看工作点判决，训练增强还报告与各自基线的绝对差。论文未报告统计显著性方法、随机种子聚合方式和硬件预算，这些在复现时记为缺项，不自行编造划分或聚合口径。
评估组件把 logits 转分数与类别后算汇总指标，保持指标计算与模型特征提取分离。
外部基线与 JPEG50 训练增强：排序上升、判决下降如何同时成立？
本节回答训练增强是否改善外部表现，比较对象是各自实现的基线，条件一致性在于共享处理与外部子集，指标方向都是越高越好，但二者含义不同。先看基线：3 个实现的外部 AUROC 接近或低于 0.5，显示在所选外部数据上排序能力弱，而准确率在 0.6 左右。更值得注意的是度量排序本身：ResNet 加循环的基线 AUROC 最高，但基线准确率在三者中最低，说明按排序选模型与按判决选模型会选出不同胜者，这就是后文保留双指标的理由。从系统视角看，这是围绕稳定检测器接口做数据集替换，外部适配器换输入来源，配对表示与指标计算保持公共。
AUROC × 准确率： AUROC 汇总的是分数在不同阈值下的排序质量，回答分数能否把真假样本排开；准确率度量的是在当前工作点下判决与标签的一致程度，回答 1 次判决做对多少。二者搭配的原因是排序变好不等于判决变好，组合意义是必须同时保留两列才能发现 JPEG50 训练增强下排序上升而判决下降的分歧。
下面整理基线与 JPEG50 训练增强的对照，公平条件是同一外部子集、同一处理链，只改变训练输入制品并重新训练，指标同时看排序与判决。
| 条件 | 指标 | Xception Max-Fusion | ResNet+LSTM | AVFF-R |
|---|---|---|---|---|
| 基线 | AUROC | 0.504 | 0.538 | 0.458 |
| 基线 | 准确率 | 0.655 | 0.601 | 0.651 |
| JPEG50 训练增强 | AUROC | 0.691 | 0.605 | 0.570 |
| JPEG50 训练增强 | 准确率 | 0.538 | 0.540 | 0.530 |
上表显示论文报告的最一致现象：JPEG50 是所考察训练条件中每个实现外部 AUROC 最高的一项，绝对变化分别为 0.187、0.067 和 0.112，但三项准确率全部下降，分别从 0.655 到 0.538、从 0.601 到 0.540、从 0.651 到 0.530。论文明确指出简单说成提升检测会掩盖重要特征，因为排序标准下有利、判决标准下不利。实际含义是分数把正负样本排开的能力变好，但在当前工作点的硬判决反而错得更多。复述时要保留基线与可运行的 JPEG50 策略，不用事后最优阈值代替可部署收益，论文也未提供重调阈值后的准确率，因此不能声称调阈值就能挽回。
其余训练变换为何不算一致改进？未胜出项说了什么？
本节把除 JPEG50 外的训练变换逐 1 核对，避免只挑有利结果。比较问题是每种训练变换如何影响外部 AUROC 和准确率，公平条件与上节相同，指标方向不变。先提出问题：是否还有变换能在三实现上同时提升双指标。整理后的对照显示答案是否定的，每种变换至少在一实现或一指标上变差。
| 条件 | 指标方向 | Xception Max-Fusion | ResNet+LSTM | AVFF-R |
|---|---|---|---|---|
| RES50 训练 | AUROC 越高越好，准确率越高越好 | AUROC 与准确率均下降 | AUROC 与准确率均下降 | AUROC 与准确率均下降 |
| JPEG50 训练 | 同上 | 0.691，准确率 0.538 | 0.605，准确率 0.540 | 0.570，准确率 0.530 |
| AAC96K 训练 | 同上 | AUROC 下降，准确率下降 | 0.471，准确率 0.651 | AUROC 下降，准确率下降 |
| SNR10 训练 | 同上 | 0.543，准确率 0.577 | AUROC 下降 | AUROC 下降 |
| DESYNC 训练 | 同上 | 双指标下降 | 双指标下降 | 双指标下降 |
上表的主要代价与反例需要逐项点名。RES50 让 3 模型双指标都降低，DESYNC 也让 3 模型双指标都降低，说明分辨率减半与时间错位训练在本实验中没有带来外部好处。SNR10 只让 Xception 的 AUROC 升到 0.543 而准确率降到 0.577，对另两实现 AUROC 下降。AAC96K 让 ResNet 加循环准确率升到 0.651 而 AUROC 降到 0.471，是另一个排序与判决分歧的例子。论文完整呈现表格的做法值得学习：不删除不利基线，不混放不同条件，不为凑宽度制造无源列。本节支持的判断是变换效果依赖实现与指标，待验证的是换其他压缩强度或噪声强度是否改变结论，论文未做该扫描。
评估时腐蚀：固定模型对降质输入有多敏感？
本节换到第二个位置，问题是固定检测器对降质音视频输入有多敏感，比较对象是各自的干净参考行，条件是源域 FakeAVCeleb 评估输入加变换、不重训练。先提出比较问题：在图像质量、音频质量和时间对齐变化下，哪个模型掉得多，哪个相对稳，指标是排序还是判决。
| 条件 | 观察对象 | Xception Max-Fusion AUROC | ResNet+LSTM AUROC | AVFF-R AUROC |
|---|---|---|---|---|
| Clean 参考 | 干净输入 | 0.990 | 0.967 | 0.652 |
| JPEG50 评估腐蚀 | 压缩图像输入 | 0.554 | 0.968 | 0.643 |
| SNR10 评估腐蚀 | 加噪音频输入 | 0.643 | 0.773 | 0.350 |
| 其余腐蚀区间 | RES50 等四项非噪声条件 | 掉到 0.712 附近 | 0.961 到 0.984 之间 | 0.640 到 0.648 之间 |
上表后需要解释主要收益与具体代价。Xception 从干净的 0.990 掉到 JPEG50 下的 0.554 和 SNR10 下的 0.643，对两种降质都敏感。ResNet 加循环在 RES50、JPEG50、AAC96K 和 DESYNC 下保持在 0.961 到 0.984 之间，只在 SNR10 下到 0.773，显示对视觉与压缩变化较稳但对音频噪声仍掉。AVFF-R 在 4 个非噪声条件下介于 0.640 到 0.648 之间，干净为 0.652，变化小但起点低，在 SNR10 下落到 0.350。双指标分歧再次出现：ResNet 加循环的 JPEG50 AUROC 为 0.968，对干净值 0.967 几乎不变，而准确率从 0.992 变到 0.904。
AVFF-R 在 SNR10 下准确率为 0.671 而 AUROC 仅 0.350，排序已接近反向但判决仍高于随机。论文的结论是音频噪声让三实现 AUROC 都降低，而其他变换的响应跨检测器差异更大，因此评估音视频检测器要把音频降质与图像降质并列考虑。同样重要的是不要把此处 JPEG50 评估腐蚀与上节 JPEG50 训练增强直接比大小，它们是不同干预加不同数据集的组合。
结论的边界在哪里？哪些话不能说？
论文明确给出两个限定。第一，外部评估用的是选出的音视频子集而非完整基准，约 1000 个视频的过滤子集决定了结论只适用于该子集，不能推广到整个 Deepfake-Eval-2024。第二，比较的是 3 个具体实现系统，包括各自预训练与融合选择，不能读成只隔离了架构的影响。例如 AVFF-R 的起点低可能与重实现、预训练和数据适配都有关，不能简单说成跨模态融合本身不行。还有 3 类未测量量不能承诺：误判率分布、延迟与计算成本。
论文报告了输入制品与窗口配置，但未报告训练资源、推理开销、输出帧率与实际延迟，复述时要把训练资源、推理开销、帧率与延迟分开讨论，不因总体趋势就声称每组每步都成立。相关性也不是因果：JPEG50 训练增强与外部 AUROC 上升同时出现，但论文未证明压缩伪影就是跨域有效的唯一原因，可能与数据分布、阈值和标签构成都有关，应表述为支持而非证明。缺失证据不是技术错误，没有统计检验和种子聚合不否定已报告的数字，只是限制了外推强度。
最后，资源状态是正文开源声明的唯一依据，本次未发现来源绑定且完成验证的资源，因此本文不声称代码、模型或数据已公开或当前可用，复现建议只依据论文文字中的配置描述。
要复述方法，先固定哪四份清单？
复现的第一步是固定输入制品。按论文动作依次记录：人脸检测与 0.2 边距、299 乘 299 缩放，音频 16 千赫、64 频带梅尔、1024 点傅里叶变换、256 跳长，25 帧窗口步长 20，图像 WebP 质量 90、音频半精度存分片。任何一项改动都会产生不同的输入制品，要另起实验编号。第二步是固定检测器边界：输入配对张量，输出两个 logits 且真假类顺序一致，Xception 最大融合按最大值聚合，ResNet 加循环按有序序列聚合，AVFF-R 先做编码器预训练再训练检测器。
第三步是固定实验位置：外部测试、训练增强、评估时腐蚀三选一，写清变换标签加数据集加指标。第四步是固定指标：同时算 AUROC 与准确率，训练增强再算与各自基线的绝对差，不把百分点与相对百分比混用。论文未给出的超参数如优化器、学习率、批量、轮数和冻结策略记为缺项，先按原文缺省流程跑通数据链路，再补扫描，不要从模型名推定实现。
验证动作包括：检查加载器重建的张量时间索引是否对齐，检查 logits 类顺序是否与评估一致，检查变换是写进训练制品还是评估制品，检查外部子集筛选逻辑是否与论文一致。若任一环节对不上，优先回到原文核对，不引入外部教程的默认值。
何时值得尝试这条管线？下一步还需补什么验证？
当研究问题涉及换数据集、换融合实现或换变换位置时，这条管线的划分值得借鉴，因为它让换检测器不必重写数据与指标，让同一变换名可以在训练与评估两个位置复用而不混淆。最强的可复述证据仍是 JPEG50 训练增强在三实现上外部 AUROC 最高但准确率下降，说明选增强不能只看排序，必须同时看判决。评估时腐蚀的互补证据是音频噪声让三者 AUROC 都下降，而视觉与压缩响应的跨模型差异更大，提示音视频评估要保留音频压力测试。
下一步待验证的是阈值重校准能否挽回 JPEG50 下的准确率、其他压缩强度与噪声强度是否改变排序、更大或不同的外部子集是否保持同一方向，论文未做这些测量，复述时标为可能而非已证。对于研究生，可核对的收获是 4 个习惯：先写清样本从适配到指标的五站输出，再写清检测器接口的形状与类顺序，再写清变换的位置与数据集，最后同时报告排序与判决。只有这样，数字才能被别人重走一遍，而不只是被引用一遍。
📎 论文与评分元数据
排名：后50% | 文档类型：系统技术报告 | arXiv 原文
⚖️ 评分明细
评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。
评分规则：type-aware-v1
评分模型：muse-spark-1.3-contributor
评分请求协议：openai_responses