DeepMoiréFake (DMF) dataset

DeepMoiréFake数据集是一个包含12,832个视频，总时长35.64小时的数据集，它由来自Celeb-DF、DFD、DFDC、UADFV和FF++数据集的视频组成。该数据集在多种现实条件下捕获视频，包括不同的屏幕、智能手机、照明设置和相机角度，以模拟真实世界的Moiré模式对深度伪造检测的影响。数据集的创建过程包括从五个著名的深度伪造数据集中选择子集，并使用两种不同的智能手机在四种屏幕和两种照明条件下手动捕获视频。DeepMoiréFake数据集旨在为评估深度伪造检测器的鲁棒性提供一个现实世界的基准，并推动未来研究朝着缩小控制实验和实际深度伪造检测之间的差距方向发展。The DeepMoiréFake dataset is a collection of 12,832 videos with a total duration of 35.64 hours, comprising videos extracted from five existing deepfake datasets: Celeb-DF, DFD, DFDC, UADFV, and FF++. The videos in this dataset were captured under diverse real-world conditions, including varying screens, smartphones, lighting settings, and camera angles, to simulate the impact of real-world Moiré patterns on deepfake detection. The construction of the DeepMoiréFake dataset involves first selecting subsets from these five renowned deepfake datasets, then manually capturing videos using two different smartphones across four screen types and two lighting conditions. The DeepMoiréFake dataset is designed to provide a real-world benchmark for evaluating the robustness of deepfake detectors, and to promote future research aimed at narrowing the gap between controlled laboratory experiments and real-world deepfake detection scenarios.

搜集汇总

数据集介绍

构建方式

在深度伪造检测领域，真实场景下的视觉伪影干扰已成为影响检测性能的关键因素。DeepMoiréFake数据集的构建采用系统性采集方法，从Celeb-DF、DFD、DFDC、UADFV和FF++五个公开数据集中精选802个原始视频作为基础素材。通过四款不同规格的显示器（LG LED、BenQ LED、三星QHD-IPS、联想UHD-IPS）和两款智能手机（iPhone 13、三星S22 Plus）的组合，在两种光照条件与四种拍摄角度下进行屏幕重录制，最终生成包含12,832段视频、总时长35.64小时的数据集合。这种多变量控制的设计有效模拟了现实环境中莫尔条纹的形成机制。

特点

该数据集的核心价值在于其真实反映数字屏幕录制场景中莫尔条纹的干扰特性。相较于传统深度伪造数据集，其独特之处在于包含由显示器像素网格与相机传感器干涉产生的真实莫尔伪影，同时涵盖LED、IPS等不同显示技术导致的伪影强度差异。数据样本标注体系完整记录设备型号、屏幕类型、光照环境等元数据，支持多维度鲁棒性分析。实验表明，该数据集能诱发深度伪造检测模型最高25.4%的性能衰减，为评估模型在实际应用中的稳定性提供重要基准。

使用方法

研究者可通过授权申请获取该数据集后，从三个层面开展实验验证：首先利用原始视频与莫尔干扰视频的对比评估检测模型鲁棒性，其次结合合成莫尔攻击（SMPA-MA/SMPA-SPS）分析算法抗干扰能力，最后通过压缩攻击（C23/C40）模拟社交平台传输场景。建议采用CCViT、CADDM等在该数据集上表现较好的检测器作为基线，并注意去莫尔处理可能消除关键伪造痕迹的反常现象。数据集的元数据结构支持设备类型、光照条件等变量的精细化控制，便于开展消融实验。

背景与挑战

背景概述

DeepMoiréFake数据集于2025年由成均馆大学与CSIRO's Data61联合发布，聚焦数字屏幕重摄场景中莫尔条纹对深度伪造检测的干扰问题。该数据集通过系统化采集来自Celeb-DF、DFD等五大公开数据集的802个原始视频，在四种显示屏与两种智能手机组合下构建了12,832个带莫尔畸变的样本，填补了真实场景下数字取证研究的空白。其创新性在于首次量化了显示设备像素结构与相机传感器干涉产生的莫尔效应，为提升检测模型在复杂环境中的鲁棒性提供了关键基准。

当前挑战

该数据集核心挑战在于解决屏幕重摄场景中莫尔条纹对深度伪造检测模型的干扰，实验表明此类畸变可使主流检测器性能下降达25.4%。构建过程中需克服多设备协同采集的工程复杂性，包括不同显示屏的像素排列差异、智能手机相机成像特性变异以及光照条件控制等难题。此外，去莫尔处理虽能消除图案干扰，但会同时抹除伪造痕迹，导致检测准确率进一步降低17.2%，揭示了失真消除与特征保留之间的根本性矛盾。

常用场景

经典使用场景

在数字媒体取证领域，DeepMoiréFake数据集为评估深度伪造检测器在真实场景中的鲁棒性提供了关键基准。该数据集通过模拟智能手机拍摄屏幕内容时产生的莫尔条纹干扰，构建了包含12,832段视频的大规模样本库，覆盖了不同显示屏类型、光照条件和拍摄角度。这一设计使研究者能够系统分析莫尔效应对检测算法的影响，尤其在FaceForensics++、CelebDF等经典数据集的基础上引入现实世界干扰因素，为深度伪造检测从实验室环境向实际应用过渡搭建了重要桥梁。

衍生相关工作

基于该数据集的研究催生了多维度抗干扰检测框架的发展。在模型优化方向，衍生出结合频域特征保持的对抗训练方法，如CCViT检测器的增强版本。在数据增强领域，启发了基于物理渲染的莫尔合成技术SMPA-MA/SPS，为生成对抗样本提供了新范式。此外，该数据集推动的去莫尔-检测联合优化框架，促使ESDNet等图像恢复算法与深度伪造检测器的协同演进，并催生了面向移动端轻量级检测模型的研究浪潮，为边缘计算场景下的实时伪造检测开辟了新路径。

数据集最近研究

最新研究方向

在数字媒体取证领域，DeepMoiréFake数据集的引入标志着对摩尔纹失真影响深度伪造检测的前沿探索。当前研究聚焦于评估真实世界场景中智能手机屏幕翻拍视频引入的摩尔纹伪影对检测算法的干扰，揭示了此类失真可导致检测性能下降高达25.4%。热点方向包括开发对抗合成与真实摩尔纹攻击的鲁棒模型，并探索去摩尔纹、去噪等防御策略与压缩伪影的交互效应。该数据集通过模拟多屏幕、多光照的复杂捕获环境，为弥合实验室性能与实际应用间的差距提供了关键基准，推动了检测技术向现实场景适应性演进。

相关研究论文

• Through the Lens: Benchmarking Deepfake Detectors Against Moiré-Induced Distortions

  Sungkyunkwan University, South Korea · 2025年