📄 电网频率如何为视频真伪提供独立证据

英文题目：An Agentic ENF Framework for Forensic Video Authentication Against Generative AI

评分：6.2/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 0.9/1.5 | 清晰度 0.7/1 | 影响力 0.4/1.5 | 开源 1/1.5 | 可复现 0.1/0.5 | 工程/实践 0.9/1.5

👥 作者与机构

  • Ryan Wyton：机构信息未能从 arXiv PDF 文本可靠映射
  • Bacha Rehman：机构信息未能从 arXiv PDF 文本可靠映射

📌 核心摘要

输入是一段待验视频及其声称的拍摄时间和电网区域，输出是该记录是否来自真实电网环境下的拍摄，并在有时钟可查时恢复拍摄时刻，难点在于生成视频已能复现与真实相当的光学闪烁强度。统一双通道估计器在二次谐波附近带通，经短时傅里叶变换与抛物线插值恢复漂移轨迹，再由共享一维卷积与轨迹统计融合的六分类头判断一致性模式，输出的轨迹与类别进入后继验证。合成注入训练用Ornstein-Uhlenbeck过程拟合真实漂移并注入无哼声载体，生成六类一致性标签数据，为上一步估计器提供标注稀缺下的训练样本。参考匹配把记录轨迹与独立电网记录做归一化互相关验证或全时滞盲搜峰值，输出匹配分与恢复时刻，无外部参考时改为同一片段光学闪烁与音频哼声轨迹互查，结论送入编排器。编排器按非对称规则融合记录真实性与内容篡改证据，把缺席视为无信息而非造假证据，仅在廉价层无结论且有人脸时升级调用人脸相关昂贵检测器，关键差异是从检测有无谱线转向验证漂移是否与独立记录一致。在分布外FakeAVCeleb的40个片段子集上，级联相对全量集成的准确率从0.48升至0.52，每段耗时从11.3 s降至5.1 s，解码帧数从100%降至36%。系统在单个消费级图形处理器上用Python与PyTorch实现，训练开销未量化披露；结论仅在有可用电网参考或可做光声互查且为市电照明卷帘快门拍摄时适用，对16 fps等混叠拍摄、非市电照明及篡改后仍保留真实场景电网信号的内容编辑未验证。

🔗 开源与复现资源

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

待鉴定的视频输入是什么，需要保留什么痕迹

这篇论文面对的输入是一段待鉴定的视频，可能附带音频和拍摄时间声称，目标是判断它是否真实记录了所声称时间地点的现实场景。必须保留的信息不是画面是否清晰好看，而是录制瞬间电网状态留下的微弱痕迹。交流市电标称是 50 赫兹或 60 赫兹，但瞬时频率会随供需平衡发生微小漂移，而且在同一互联电网内各处几乎同步变化。

在市电供电的灯光下，灯光输出以 2 倍电网频率调制，也就是 100 赫兹或 120 赫兹的闪烁。这条闪烁以两条路径进入录制：一是作为交流声进入音频波形，二是在卷帘快门传感器中形成逐行亮度条纹。因为卷帘快门逐行曝光的速度远快于帧率，它能分辨出这种高频闪烁。论文把电网频率看作生成器无法控制的信号：生成器不会实测实时电网，事后编辑者也改不了已经印入的电网漂移。

输出不是一个简单的真假分数，而是一组可以追溯的证据：音频与光学通道各自是否带有连贯而且自然漂移的电网轨迹，该轨迹与独立电网参考在声称时间上是否一致，以及内容基线是否发现人脸层面的篡改。最终由编排器按非对称规则融合，目的是降低冤枉真实录制的风险，而不是一味追求分类准确率。

已有路线为什么在新生成器面前会失效

第一条路线是基于生成痕迹的分类器，用已知生成器的空间、时间或视听特征训练。这类方法在分布内准确，但论文引用的六百万片段基准显示，最强方法总体只有 80% 左右准确率，在训练没有见过的生成器上跌到接近甚至低于随机猜测。原因是它学的是特定生成器的统计指纹，生成器一换，指纹就变了。

第二条路线是电网频率取证，已经有约二十年历史。早期工作用音频中的市电交流声做时间戳，后来发现卷帘快门视频中的光学闪烁也能提取电网信号，并发展出补零重建、滚动快门效应分析和多谐波估计等方法，还可以用于区域识别、存在性检测和频谱合并验时。但多数工作默认录制是真实的，只问何时何地拍摄。另有一些工作把电网存在或者连续当作真实标记，用于剪辑检测和换脸防御。

本文与它们的区别在于任务设定。作者发现现代文本到视频与图像到视频生成器同样会产生明显的光学闪烁，其明显程度与真实录制难以区分，而且表观电网频率由生成器的特征帧率决定。因此存在一条电网频带谱线不再能证明真实，必须转向与独立参考的一致性检验。脉搏、唇音同步等生理物理线索在本文中被用作内容轴基线，同样按非对称方式使用：检出线索算作真实证据，缺失不算造假证据。

为什么看到闪烁不等于录制真实

论文起点曾假设合成视频缺少电网信号，可以靠缺失来标记假视频，但证据推翻了它。在跨生成器调查中，生成视频的光学闪烁明显程度与真实录制相当，用带内谱线强度区分真实与生成的曲线下面积只有 0.51，基本等于随机猜测。每个生成器的表观电网由其特征帧率决定，而不是实测电网。

更深一层是单片段标称电网读数不可靠。帧率谐波可能落入测量频带，被误认为电网；在约 20 帧每秒以下闪烁会混叠，作者举例 16 帧每秒时 120 赫兹闪烁折到约 112 赫兹；标准采集帧率下也存在简并，另文专门刻画了帧率与电网的混淆。因此问题被重新表述为：不是靠缺失信号发现假，而是靠与独立参考一致来认证真。没有参考时，退而求其次是检查同一片段的光学闪烁与音频交流声是否走出同一条轨迹。

三条电网通路与四条内容基线如何分工

框架包含 3 条电网通路和 4 条内容基线。两条判别通道分别处理音频与光学，共享同一个提取器和同一个网络，判断录制是否带有连贯而且自然漂移的电网。第 3 条认证通道把提取出的电网轨迹与电网数据库参考做匹配，用于验证声称时间或者恢复未知时间。4 条内容基线处理画面内容是否被操纵：空间检测器对采样帧用预训练换脸分类器，远程脉搏检测器检验生理脉搏合理性，唇音同步检测器衡量嘴部运动与音频包络对应关系，元数据检测器评估来源与声称电网区域可信度。

两轴编排是融合原则。轴 A 判断记录真实性，也就是是否在市电照明下真实拍摄；轴 B 判断描绘内容是否被操纵。融合规则是非对称的：任一模态出现可信电网都是真实录制的强证据，不要求双通道同时同意；但内容层面自信判假可以推翻电网判真，因为真实拍摄后仍可被换脸。这正好处理了在真实录制上换脸的困难情形。

为控制代价，编排按级联运行：便宜而且权重高的检测器先运行，只有当该层没有结论而且画面中有人脸时，才调用昂贵的基于人脸的脉搏与唇音同步检测器。决策图既可以直接实现，也可以用等价状态机实现，两者已经验证一致。

记录真实性 × 内容篡改： 记录真实性问的是这段影像是否真实对着现实场景在市电照明下拍摄，电网频率能回答它；内容篡改问的是画面中的人脸或动作是否在拍摄后被替换或编辑，电网频率回答不了。框架把两者设为两个轴，正是为了让电网证据只证明拍摄发生过，而人脸替换仍交给内容基线判定，避免把一次成立推成全部成立。

同一估计器怎样同时读出音频交流声与视频闪烁

估计器围绕二次谐波工作。先在二次谐波附近做带通，用短时傅里叶变换找主峰，再用抛物线插值细化到子频点精度，得到谐波频率估计后除以谐波次数 2，折算回基波电网频率。音频输入是波形，视频输入是卷帘快门传感器的逐行亮度。

光学前端有两个关键校正，缺一不可。第一是去掉每行的时域均值，以抑制占主导的静态场景，否则谱峰会被帧率成分淹没。第二是按真实卷帘时间轴重建 1 维载波，把每行放回真实曝光时刻，帧间无曝光的消隐期补零。如果不用消隐感知重建，恢复出的谱线是处理假象而非电网。论文用同步电网参考验证，在工作包络内平均相关达到 0.98。

电网频率 × 二次谐波估计： 电网频率指市电在标称值附近的微小漂移，是录制时被动印入的物理信号；二次谐波估计指在两倍电网频率附近做带通与峰值跟踪来恢复该漂移的方法。二者搭配是因为音频中的交流声与灯光调制都集中在二次谐波处更易观测，组合后可以用同一估计器同时服务音频与视频两个通道。

卷帘快门 × 逐行曝光时刻重建： 卷帘快门指传感器逐行依次曝光而非整帧同时曝光的读出方式，它把高频灯光闪烁变成逐行亮度条纹；逐行曝光时刻重建指把每一行放回真实曝光时间轴并对帧间无曝光段补零。两者配合才能把行亮度序列还原为连续时间载波，否则恢复出的谱线只是帧率假象而非电网漂移。

认证通道怎样验证声称时间与恢复未知时间

认证通道改用解析信号的希尔伯特方法提取瞬时频率，而不是短时变换，这把可获得可用轨迹的录制比例从 10% 提高到 38%。验证操作是计算录制轨迹与参考轨迹在声称时间对应时延上的归一化互相关，盲搜则在全部时延上取最大相关。

前者需要一个声称时间，回答这个时间是否与电网参考对得上；后者不需要声称时间，而是在 24 小时参考里滑动寻找最匹配的位置，从而反推拍摄时间。光学侧还可以在没有外部参考时做内部检查，也就是比较同一录制的光学闪烁轨迹与音频交流声轨迹是否一致。

验证 × 盲搜恢复： 验证指在声称的拍摄时间点计算录制电网轨迹与电网参考轨迹的归一化互相关；盲搜恢复指在全部时延上滑动求互相关并取峰值来反推未知拍摄时间。前者回答声称时间是否可信，后者回答未知时间落在何处，共用同一相似度计算，只是时延是给定还是搜索的区别。

没有大量标注时怎样造出带标签的训练数据

标注电网数据稀缺，所以训练样本是合成注入并锚定少量真实录制。先用真实市电测量拟合 Ornstein-Uhlenbeck 过程参数，包括回复速率、长期均值与波动率，再从拟合模型采样连续电网轨迹，叠加到无交流声载体上。音频载体是经过检验没有连贯电网的干净语音，光学载体是先压制自身闪烁后的卷帘视频，而且注入时按每行真实曝光时刻调制，使提取过程正好逆转同一几何。

训练类均匀采样，每次重新合成，保证数据流天然平衡。真实类一半来自留内真实录制的真实窗口，一半来自注入真实漂移的合成载体。关键规则是真实录制只出现在真实类，所有篡改类都是合成的，因此真假分界不是从真实假样本学到的。音频载体用语音数据集，载体规模达到数千条，光学载体用情感语音视频集的上千片段。

Ornstein-Uhlenbeck 漂移模型 × 合成注入训练： Ornstein-Uhlenbeck 漂移模型指带均值回复的连续随机过程，用于描述电网频率在标称值附近游走又被拉回的统计特性；合成注入训练指从该模型采样漂移轨迹并叠加到无交流声载体上构造训练样本。搭配的理由是真实标注电网数据稀缺，组合后可以用少量真实录制拟合参数，再大量生成带精确标签的真假示例。

数据划分与评测规则如何防止泄漏

共用 9 个来源，各有明确分工。电网漂移拟合与真实音频锚用带同步电网参考的音频语料，音频载体用无交流声语音，光学真值与锚用带同步电网记录的卷帘视频，其中 16 帧每秒的两段因为混叠被排除。光学注入载体用另一视频集，声称时间音频认证用公开电网语料加 24 小时参考，光学认证用带电网参考的真实场景及其两次人工智能重演，生成集来自 6 个文本到视频生成器各 100 片段，分布外真篡改测试用含真实换脸的数据集，集成阈值在多语言深伪集上按语言划分标定与冻结测试。

一条数据规则贯穿始终：真实录制只作真实类，所有操纵类为合成。真假分离在标签精确的合成数据上测，真实接受率在训练未见来源的留出真实录制上测。划分按来源切分，音频与视频各自把锚定集与测试集按录制或者视频隔离。判别用准确率、宏平均 F1 与 ROC 曲线下面积，真实接受用留出真实录制被接受比例，集成研究另报冤枉率、每片段墙钟时间与解码帧数，成对比较用 McNemar 精确检验。系统在单块消费级图形处理器上用 Python 与 PyTorch 运行。

判别器在留出真实录制上能接受多少

核心问题是合成训练能否迁移到未见来源的真实录制。下表比较同一任务下本文检测器与朴素存在性基线的真实接受率与二分类准确率，条件是留出真实来源与合成精确标签，指标越大越好。

通道真实接受率本文方法真实接受率朴素基线二分类准确率本文方法二分类准确率朴素基线
音频93%53%99%63%
光学100%15%89.4%52.5%

该表显示音频真实接受率为 93%，光学为 100%，而朴素基线仅为 53% 与 15%，说明合成注入加真实锚是弥合迁移差距的关键。在真实与篡改二分类上音频达到 99%，光学达到 89.4%，朴素基线为 63% 与 52.5%，差异经 McNemar 精确检验显著。在冻结六分类合成评测上音频准确率 99.0%，宏平均 F1 为 0.990，曲线下面积约 0.9995，光学准确率 88.3%，宏平均 F1 为 0.871。误差集中在真实与平坦的区分，其余结构性伪造接近全对。需要注意这是合成标签下的分离能力加留出真实下的接受率拼成的证据，不是同一批真实换脸上的端到端检出率。

声称时间验证与未知时间恢复在什么条件下成立

存在性不可靠后，认证依赖参考匹配。音频侧解析信号提取把可用覆盖从 10% 提高到 38%，在可恢复的子集上，声称时间验证区分真实、错误时间戳与无电网情形的曲线下面积为 1.0，盲搜在 24 小时参考中把未知录制时间恢复到约 1 秒误差。光学侧真实场景的闪烁与电网参考匹配，而且与同一录制的音频交流声轨迹相关约 0.80，可以作为无外部参考时的内部一致性检查；而同一场景的两段人工智能重演闪烁在 60 赫兹，与声称的 50 赫兹位置不符，说明重演没有带来所描绘场景的实时电网。

在 91 段真实录制的集合上，用真实声称电网做一致性检查，冤枉率为零。但作者同时报告音频认证在全部 40 段上的曲线下面积为 0.774，说明 1.0 只在可恢复子集上成立。单片段标称电网读数仍被帧率混淆，不能用于区域判断，光学恢复还要求非简并帧率。参考可用性是硬约束：部分电网有公开记录，部分需要授权或者尚未公开，此时声称时间验证无法应用。

双轴编排省了多少计算又改变了什么错误

该结果回答分布外真实换脸与计算代价问题，比较对象是扁平平均集成、双轴路由与级联，条件是分布外换脸测试集，准确率越高越好，冤枉率越低越好，耗时与解码帧数越低越好。

策略准确率冤枉率每片段墙钟时间解码帧比例
扁平平均0.480.4711.3 s100%
双轴路由0.480.3011.3 s100%
级联0.520.375.1 s36%

双轴路由与扁平集成准确率相同，均为 0.48，路由把冤枉率从 0.47 降到 0.30，依据是信任电网判真除非内容基线自信判假，但该差异在小样本下并不显著。级联保持准确率 0.52，同时墙钟时间节省 54%，解码帧数节省 64%，因为昂贵检测器只在便宜层无结论时触发。需要强调绝对准确率仍接近随机，说明在压缩分布外视频上内容轴接近猜测，编排缓解但没有解决换脸难题。阈值已经在多语言集上标定冻结并按语言隔离，可以避免用测试语言调阈。

哪处改动决定了光学恢复与覆盖提升

三项消融各自对应一个机制。去掉任一光学前端校正，恢复谱线都会变成假象，与同步电网参考的平均相关 0.98 就是在完整校正下得到的，说明静态场景去除与消隐感知重建都是必要条件。把合成真实类的漂移抖动加宽以复现真实电网的重漂移尾部，是把留出光学接受率推到 100% 的关键，否则合成漂移偏窄会导致真实宽漂移被拒。

把短时变换换成解析信号提取带来认证覆盖提升，残留的真实与平坦混淆再由时域自相关解决。论文还给出每个主要声明的 95% 置信区间，区间不包含 0.5 的才算与随机猜测可分。失败条件也很明确：低信噪比下匹配零假设检验显示均值频率与漂移形状都被混淆，单靠片段自身无法可靠判定存在性，这正是认证必须依赖参考、缺失必须视为无信息的原因。

电网证据管不到哪里，哪些情形会被误读

电网是录制属性而非内容属性，这是长处与局限的共同来源。它能证明真实拍摄发生过，但证明不了画面没有被后期替换。在真实录制上换脸是最清晰的局限：电网读数为真，换脸只能靠内容基线，而内容基线在压缩分布外视频上接近随机，编排的推翻规则只能缓解。

第二是存在性本身。相干谱线只在强信号下可以由片段单独判定，低信噪比下均值频率与漂移形状都被混淆，野外重编码与压缩进一步压低信噪比。因此缺失被视为无信息而非造假证据，单片段标称电网与区域读取被明确避免。

第三是参考依赖。声称时间验证需要案发时正在记录的独立电网参考，公开、授权与未公开电网的覆盖不同，直接限定了可应用地域。把正确时间地点的真实电网拼接到篡改视频上的对手不在防御范围内。作者定位是法医分流与佐证而非自主判决，需要结合每条通路置信度阅读。

复现第一步做什么，需要哪些信息条件

作者资源当前可用，代码与数据已公开在指定仓库，可以据此获取实现与划分脚本。复现应该先从音频通道开始，因为它不受卷帘几何影响：用公开语音作无交流声载体，用带同步电网参考的音频语料拟合漂移模型并提供真实锚，按六分类均匀合成注入训练，再在按录制隔离的留出真实集上测接受率。光学复现必须先实现逐行曝光时刻重建与消隐补零，并用带同步电网记录的视频验证相关，否则谱线不可信。

关键超参数与信息条件要保留：二次谐波估计、抛物线插值细化、Ornstein-Uhlenbeck 拟合参数、6 类均匀采样、真实只作真实类、按来源划分、解析信号提取用于认证。还需要准备独立电网参考或者同步电网记录，否则只能做内部视听一致性，无法做声称时间验证。代码开源、权重可下载、系统可运行是三件不同的事，本文只证明了代码与数据已公开，不等于权重与一键运行都已就绪，需要按仓库实际状态核对。

什么时候值得尝试，还缺哪项验证

当手头有声称时间与可信电网参考，而且视频来自市电照明下的卷帘快门设备并附带音频时，值得尝试该框架。它把存在性弱证据换成一致性强证据，能在可恢复子集上给出高区分度的验证与秒级盲搜，并用级联把计算减半，适合作为法医分流的一条证据线。如果只有压缩后的社交平台视频、无音频、无参考或者户外弱光拍摄，则不应期待它单独定案。

仍需补的验证是在野外真实操纵上的端到端表现，特别是真实拍摄加换脸、重编码压缩与多电网区域混合的情形，以及内容轴在分布外的强化。未来工作指向扩大电网参考覆盖与加强内容轴。本文目标不是宣布一段视频为假，而是用校准置信度说明一段录制在何时何地真实发生的可信度，初学者复述时应该保留这一非对称定位，避免把缺失电网误读为造假。

📎 论文与评分元数据

排名：前50% | 文档类型：方法研究 | 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

← 返回 2026-10-19 语音/音乐/音频论文速递