SMC 資料庫

議題背景：

• Seibold, Clemens, et al. "High-quality deepfakes have a heart!." Frontiers in Imaging 4: 1504551.

專家怎麼說？

【許志仲】

2025年04月30日
陽明交通大學AI學院智慧系統與應用研究所副教授 許志仲

本篇研究主要對偵測人工智慧的深度偽造（Deepfake）技術，提出一個關鍵性的挑戰。過去科學家普遍認為，深偽影片生成過程的特性，會失去來源影片中細微的生理訊號，例如人的心率，可利用一種捕捉臉部細微變化來推算心跳的技術（遠程光體積變化描記圖法，簡稱rPPG），檢測影片人物是否有心率來辨識影片真偽。

然而，本篇研究設計嚴謹的實驗，證明了目前先進的、高品質的深偽影片可能很難用人臉是否有心率來辨別影片真假。品質很好的深偽影片通常是使用人工智慧訓練很久，並且人為修正影片中人臉至更接近來自真實影片中人的氣色。

研究團隊建立了一套驗證流程，包含排除畫面晃動與背景干擾，並與自行建立、同步錄製人物真實心律變化的高品質影片比較。實驗的結果指出，高品質的深偽影片中人臉不僅有可檢測的心率訊號 ，更重要的是，這些訊號是從來源影片中留下來的。這篇研究分析和比較來源影片與深偽影片，發現深偽影片中的心率訊號模式及數值，均與來源影片相關，表示深偽影片與原始影片的心率非常相似。研究發現，雖然深偽影片中的心率雜訊比實際訊號多，但仍可呈現心跳的生理節奏，也就是說，可能很難利用是否有心率來區分影片的真假。

本篇研究結論是，若僅使用分析整張臉整體心跳變化（例如每分鐘跳幾下）的偵測方法面對現代深偽技術，可能難以辨識影片真假。未來需要開發更精密的偵測策略，例如分析臉部局部區域的血流模式，這些模式可能包含更細微、更難被偽造的生理時空特徵，例如臉部各區域在不同時間點出現的細微生理變化，讓偵測技術更可靠、結果更容易被理解。但整體來說，這篇研究實驗規模太小，使用800多部影片，含大約十多位人員影像（一般研究會使用大約1000部影片以上），也無統計分析的證據顯示觀察到的差異程度，尚待其他或後續研究進一步確認是否可以推論到更廣泛的影片資料。

這不是第一次發現深偽影片中人臉有心率的情況，但這篇研究專門針對這個現象分析並比較深偽影片和來源影片，提供未來發展偵測、辨別深偽影片的方向與可留意的策略。根據研究結論，我認為不用過度擔心，因為心率只是影片的其中一種特徵，辨識心率只是其中一種辨別影片真偽的方法，通常不會只用一種方法而是會綜合多種方式偵測影片。面對深偽資訊，我也建議多方查證、確保資訊來源可靠。