deepfake 技术经常被简写成“换脸”但研究推进到 full-body 阶段后问题已经不是换一张脸这么简单。全身体合成要让模型生成或重演一个人的完整画面头部、躯干、四肢、服装、手部动作和背景都要参与计算而且视频长度不能只限在几秒。perpetual持续这个目标进一步提高了门槛要求生成在时间维度上不断延续同时保持身份、姿态和场景一致。这个方向在数字人、影视预演、虚拟服装等场景有正当应用但也直接冲击身份核验、视频认证、内容审核和媒体取证。对于平台安全、风控、内容审核和视听技术方向的开发者理解这条技术线的任务边界、失效模式和防御手段比单纯追逐生成效果更重要。这篇文章不提供伪造他人形象的实现流程而是站在防御侧把全身体持续生成拆成“技术任务、风险路径、检测信号、防御措施、排查思路”五个层次。读完可以回答几个实际问题这类内容为什么难检测应该从哪些信号入手检测系统怎么设计才不容易被绕过误判发生后又该按什么顺序查。1. 先拆解任务full-body 和 perpetual 分别意味着什么1.1 从换脸到全身问题边界扩大后发生了什么变化传统人脸换脸任务只需要处理“把目标人脸换成源人脸”核心问题集中在面部关键点对齐、颜色融合和边缘接缝处理。到了 full-body 阶段输入和输出都从“一张脸”扩展成“一个人”系统必须同时处理人体姿态估计和参数化表达把身体动作翻译成可供后续渲染的中间表示。服装纹理与外观一致性衣服的纹路、褶皱、颜色不能在相邻帧之间突然变化。手部和四肢的几何重建手指遮挡、握持物品、手臂交叉是长期存在的难点。空间布局和遮挡关系人物与背景、人物与人物之间的前后关系要连续变化。这也是为什么 full-body 生成论文会反复强调运动控制motion control、外观保持appearance preservation和空间一致性spatial consistency。对防御侧来说这些难点恰恰是检测时可利用的线索生成模型只要在某一个维度上做得不够好就会留下可以被模型或人工发现的痕迹。1.2 perpetual持续生成带来的时间一致性难题perpetual generation 并不是“把视频长度从 5 秒改成 5 分钟”这么简单。视频时长增加后计算、身份保持和时间一致性三个维度会出现新的问题而且这些问题在短视频里往往不会暴露。第一是身份漂移。模型在几十帧内可以稳定保持同一张脸但生成几百帧后五官细节、肤色、面部朝向可能出现缓慢变化。检测模型如果只看单帧很容易漏掉这种渐变式伪影因为它在任何单帧里都“看起来正常”。第二是上下文遗忘。长序列生成中模型需要记住几十秒之前出现过的道具、服装、场景布局和人物关系。如果模型没有长时记忆或外部条件注入机制续写时会出现前后矛盾的画面例如眼镜一会儿有一会儿没有。第三是误差累积。视频生成通常按帧或按片段逐段生成前一帧的误差会传导到后续帧。时间越长画面越容易出现闪烁、边缘抖动和内容崩塌。这也是“perpetual”目前更多作为研究目标、而不是成熟产品能力的原因。1.3 当前技术路线与常见模型形态全身体合成并不是某一种模型而是一系列技术的组合。目前可以观察到四条主要路线生成对抗网络路线。以 StyleGAN 等模型为代表擅长生成高分辨率单帧图像并扩展出视频版本。优点是单帧质量高缺点是训练不稳定、可控性较弱。扩散模型路线。通过逐步去噪从随机噪声中生成图像或视频支持文本、姿态、参考图等多种条件输入近年视频生成质量提升很快。神经辐射场与 3D 高斯泼溅路线。把人体建模为三维空间中的连续场或点云可以渲染多个视角适合生成“可旋转观察”的全身人物对身份和形状保持较好。参数化人体模型辅助路线。先使用 SMPL 等参数化人体模型估计姿态和体型再通过渲染网络补全外观纹理常见于动作重演和人像驱动任务。对防御侧来说这里有一个重要结论不能用“某种模型一定留下某类痕迹”的假设设计检测器。不同技术路线、不同训练数据、不同采样参数生成的视频伪影分布差异非常大。检测系统需要同时覆盖空间维度和时间维度的多重信号而不是指望一个模型解决所有问题。技术路线典型能力常见可见伪影检测难度GAN 路线高分辨率单帧和短片段纹理过度平滑、局部结构畸形中扩散模型路线条件图像和视频生成细节丢失、语义错误、高频涂抹中高NeRF / 3D 高斯路线多视角重建与渲染高频细节缺失、边缘伪影高参数化人体模型渲染动作重演和姿态驱动手部变形、服装接缝错位中注意上表中的伪影只是常见分布不是必然出现。模型蒸馏、后处理滤镜、平台压缩都会抹掉或改变一部分可见痕迹检测时不能只看单一特征。2. 为什么全身持续生成会成为安全风险2.1 可被滥用的具体场景全身体生成最大的风险在于它降低了“伪造一个人完整视频”的成本。过去伪造一段人物讲话视频只需要关注脸部现在模型可以生成一个人完成动作、出现在不同场景的完整画面受影响的下游业务变得更多身份核验。银行、政务、招聘平台的人脸活体检测如果只验证“是不是活人脸”无法识别全身动作是否由模型实时合成。视频会议与视频认证。伪造参会人、伪造授权过程、伪造录音录像直接影响线上签约和审批。社交平台内容。伪造名人和普通用户的不实内容用于诽谤、诈骗或制造舆论。司法与电子取证。伪造事件经过或不在场证明对鉴定机构的检材真实性判断提出更高要求。这些场景的共同特征是受害方往往在内容扩散之后才发现问题而检测能力必须前置到内容上线或交易完成之前。这是一场时间竞赛也是检测系统设计时最需要考虑的约束。2.2 对现有验证体系的冲击传统验证体系默认“视频等于真实拍摄”。身份核验流程通常要求用户完成指定动作比如点头、眨眼、张嘴再与权威数据源比对。如果生成模型能够根据随机指令实时合成对应动作静态验证动作就失去了意义。这也是为什么新一代身份核验方案在从三个方向演进一是随机口令与动态任务结合让攻击者无法提前准备二是引入多传感器数据结合设备姿态、光线变化和交互时间三是把检测模型嵌入到活体判断的完整链路中而不是作为单独外挂。理解 full-body 合成能力后再去看这些方案会更容易明白它们为什么要这样设计。2.3 平台审核遇到的新问题对内容平台来说全身体合成内容的危害不只是虚假信息本身。大规模自动生成的视频可以在短时间内制造内容分发洪峰消耗审核人力同时制造大量难以判定的边缘案例。审核系统需要区分的不仅是一般意义上的“生成还是真实”还有“善意生成还是恶意伪造”“虚构表演还是纪实信息”。这种多分支判断比二分类复杂得多也意味着平台审核流程不能只靠一个模型输出 0 到 1 的分数。3. 检测信号从单帧痕迹到视频级一致性3.1 空间维度单帧图像上能看什么即使是最先进的生成模型单帧图像也往往残留多种可观测信号高频细节缺失。头发丝、衣料纤维、皮肤毛孔在生成图像中趋于平滑化出现明显的涂抹感。边缘区域异常。脸颊边缘、肩膀与背景交界处出现模糊、锯齿或光晕。光照一致性差。人物面部高光方向与背景不一致或皮肤反光不符合环境光源。结构性错误。耳朵形状异常、手指数量错误、眼镜腿穿入皮肤、牙齿数量过多等。这些特征不能单独作为判定依据因为真实视频在低光照、运动模糊、重度压缩下也会出现类似现象。正确用法是把它们作为检测模型的特征输入并配合上下文信息综合判断。3.2 时间维度单帧检测为什么不够生成视频在时间轴上会留下更稳定的错误模式以下信号在视频级检测中更有价值闪烁与抖动。相邻帧之间亮度不稳定或边缘位置出现规律性抖动。身份漂移。连续生成若干秒后面部特征发生渐变轮廓和五官比例缓慢变化。动作不自然。眨眼频率、瞳孔缩放、头部转动速度不符合人体运动规律。时序矛盾。道具位置、服装褶皱、光影方向在不同镜头之间对不上。视频级检测的基本做法
