随着生成式AI模型的飞速发展，深度伪造（deepfake）检测器不得不持续进行校准，以应对不断涌现的新型合成伪影。为了打破这种“猫鼠游戏”的循环，一项新的研究提出了一种全新的深度伪造检测视角：从静态模式识别转向动态稳定性分析。
这种新方法受到物理学先验知识的启发。研究人员假设，自然图像作为耗散物理过程的产物，倾向于在稳定、低能量的平衡态附近聚集。相比之下，生成模型虽然在统计学上力求与真实图像相似，但并未明确强制执行几何平滑度等结构约束，这使得深度伪造图像更有可能占据不稳定、高能量的状态。
为了将这一理论付诸实践，研究人员引入了哈密顿作用异常检测（Hamiltonian Action Anomaly Detection, 简称HAAD）方法，该方法包含三大贡献。首先，HAAD将图像的潜在流形建模为势能表面。在此假设下，真实图像预计会产生盆地状的低能量响应，而伪造图像则更有可能引发高势能、高梯度的响应。
其次，HAAD采用哈密顿动力学作为稳定性探测器。通过从静止状态释放潜在状态，位于稳定区域（真实图像特征）的样本轨迹将保持有界，而高梯度样本（伪造图像特征）则会产生更大的轨迹响应，从而揭示其内在的不稳定性。
最后，HAAD通过哈密顿作用和能量耗散这两个轨迹统计量来量化这些动态行为。广泛的实验结果表明，HAAD在极具挑战性的跨数据集迁移基准测试中，其性能超越了现有最先进的基线方法。这些发现有力地支持了物理启发式稳定性先验在数字取证领域打击深度伪造的有效性。
