/ Модель

Характеристики

Лицензия
MIT
Библиотека
pytorch
Опубликована
6 окт 2026

david-net-av-v2

Классификация видеоВидео → label

DAVID-Net анализирует аудио и видео для выявления и атрибуции дипфейков по модальностям, а также локализует признаки манипуляций во времени.

0скачиваний за 30 дней0лайковвеса обновлены6 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

DAVID-Net — модель PyTorch для мультимодальной судебной экспертизы аудио и видео, разработанная MIHMahmudEli. Она классифицирует видео на подлинные и синтетически изменённые варианты и определяет, затронуты ли видео, аудио или оба потока. Модель формирует вероятности подлинности для каждой модальности и распределение по четырём сочетаниям подлинного и поддельного аудио и видео.

Архитектура разделяет признаки артефактов каждой модальности и признаки межмодальной синхронизации. Предусмотрена работа при отсутствии одного из потоков, оценка визуальных аномалий по кадрам и локализация границ манипуляций в речи. В README приведены результаты на FakeAVCeleb и оценки переноса на аудионаборы ASVspoof 2019 LA и In-the-Wild; качество на других данных может отличаться.

Модель предназначена для проверки подлинности медиаматериалов в журналистике, модерации контента и цифровой криминалистике; её выводы следует рассматривать как вероятностные свидетельства для анализа человеком. Она не создаёт аудио или видео. Веса поставляются в формате SafeTensors, лицензия — MIT.

Сценарии применения

  • проверка видео на подмену лица и другие визуальные манипуляции
  • выявление синтезированной или клонированной речи в видеозаписи
  • определение, подделан ли аудиопоток, видеопоток или оба
  • поиск временных границ манипуляций в речи и видеокадрах
  • криминалистическая проверка подлинности аудиовизуальных материалов

Ограничения

Показатели переноса на внешние аудиоданные ниже результатов на FakeAVCeleb, поэтому качество зависит от домена и набора данных. Вероятностные предсказания предназначены для поддержки анализа человеком и не являются самостоятельным доказательством подделки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DAVID-Net: Disentangled Audio-Visual Forensics for Deepfake Attribution and Localization

Official pretrained model weights, execution configurations, dataset manifests, and benchmark evaluation outputs for DAVID-Net (Disentangled Audio-Visual Deepfake Network).


📌 Framework Summary

Conventional deepfake detectors collapse multimodal evidence into a single binary output ("real" vs. "fake"). This reduction discards critical attribution details—failing to identify which modality was altered (visual, acoustic, or both) and when the manipulation occurred.

DAVID-Net formulates synthetic media forensics across four authenticity quadrants:

QuadrantVideoAudioForensic Interpretation
RVRARealRealAuthentic recording
RVFARealFakeVoice cloning / neural speech synthesis over authentic footage
FVRAFakeRealFace swap / facial reenactment combined with authentic audio
FVFAFakeFakeFully synthetic media (synthetic avatar + cloned speech)

Core Architectural Features

  1. Subspace Disentanglement: Separates modality-specific artifact features from cross-modal synchronization features using an explicit orthogonality loss. This enables detection of internally synchronized dual-stream fakes (FVFA) that deceive synchrony-only detectors.
  2. Four-Quadrant Attribution: Disentangled decision heads produce individual modality authenticity probabilities ($p_v, p_a$) and a joint four-quadrant distribution.
  3. Missing-Modality Fault Tolerance: Dedicated null-token projection pathways preserve unimodal detection accuracy when an audio or video stream is severed ($0.976$ Video AUC with audio muted; $0.999$ Audio AUC with video blanked).
  4. Temporal Action Localization (TAL): Fine-grained frame-level visual anomaly scoring and speech segment manipulation boundary localization.

📁 Repository Contents

├── models/
│   ├── config.json                     # Architecture configuration dictionary
│   └── david_net_best.safetensors      # Validated full model weights (~341 MB, SafeTensors)
├── results/
│   ├── main/
│   │   ├── raw_results.csv             # Full raw metrics (105 evaluated / 135 total runs, 5 seeds)
│   │   ├── summary.json                # Summary metrics, DeLong test statistics, 95% bootstrap CIs
│   │   ├── main_results.csv            # In-domain FakeAVCeleb benchmark results
│   │   └── per_class_results.csv       # Four-quadrant per-class precision, recall, F1
│   ├── ablations/
│   │   └── ablation_results.csv        # Systematic ablation study across 11 architectural variants
│   ├── cross_dataset/
│   │   └── cross_dataset_results.csv   # Zero-shot evaluations across six external benchmark datasets
│   ├── logo/
│   │   └── logo_results.csv            # Leave-One-Generator-Out cross-generator transfer metrics
│   ├── subject_disjoint/
│   │   └── split_leakage_audit.csv     # Cryptographic audit confirming 0.0% identity leakage
│   ├── missing_modality/
│   │   └── missing_modality_results.csv# Fault tolerance under audio-muted & video-blanked conditions
│   ├── calibration/
│   │   └── calibration_metrics.csv     # 15-bin Expected Calibration Error (ECE)
│   ├── demographics/
│   │   └── fairness_audit.csv          # Subgroup demographic error rates and sample counts
│   └── statistics/
│       ├── statistical_audit.csv       # Pairwise Wilcoxon & DeLong test p-values (Holm-corrected)
│       └── protocol_comparison.csv     # Strict disjoint protocol vs legacy random split
├── scripts/
│   ├── evaluation/                     # Full evaluation engines (evaluate, metrics, localization, etc.)
│   └── analysis/                       # Results aggregation & robustness sweep harnesses
├── configs/
│   └── experiments/                    # Training and architecture YAML configurations
└── metadata/
    ├── datasets/                       # Benchmark dataset reconciliation manifests & SPLITS_SHA256.json
    └── experiments/                    # Hyperparameters and git revision provenance map

🔬 Benchmark Evaluation Results (5-Seed Campaign)

All results are verified across five random seeds ($\mathcal{S} \in {7, 42, 123, 456, 2024}$) under strict identity-disjoint evaluation (0.0% subject overlap):

Evaluation BenchmarkVideo AUCAudio AUCClip AUCNotes
FakeAVCeleb (In-Domain)0.977 ± 0.0030.999 ± 0.0020.976 ± 0.006Quadrant Acc: 91.0%, RVRA Recall: 82.4%
ASVspoof 2019 LA—0.839 ± 0.0190.839 ± 0.019Audio-only zero-shot transfer
In-the-Wild Audio—0.691 ± 0.0210.691 ± 0.021Audio-only zero-shot transfer
Celeb-DF v20.672 ± 0.014—0.672 ± 0.014Visual-only zero-shot transfer
DFDC-100.647 ± 0.0200.552 ± 0.0150.647 ± 0.020Multimodal zero-shot transfer
DeepFakeTIMIT0.575 ± 0.021—0.575 ± 0.021Visual-only zero-shot transfer
WaveFake——0.113 ± 0.025Unmatched threshold transfer (DR)

💻 Quickstart: Loading Pretrained Weights

import json
import torch
from huggingface_hub import hf_hub_download
from safetensors.torch import load_file

# 1. Download configuration and weights from Hugging Face
repo_id = "MIHMahmudEli/david-net-av-v2"
config_path = hf_hub_download(repo_id=repo_id, filename="models/config.json")
weights_path = hf_hub_download(repo_id=repo_id, filename="models/david_net_best.safetensors")

with open(config_path, "r") as f:
    config = json.load(f)

# 2. Load safe tensors state dict
state_dict = load_file(weights_path)
print(f"Loaded {len(state_dict)} tensor keys successfully from {weights_path}.")

# 3. Model forward pass (see GitHub repository for complete DavidNet class definition)
# from src.models.david_net import DavidNet, DavidNetConfig
# model = DavidNet(DavidNetConfig(**config))
# model.load_state_dict(state_dict, strict=False)
# model.eval()

⚖️ Ethical & Responsible Use Statement

The models and forensic artifacts in this repository are developed strictly for defensive media authenticity verification, journalism, content moderation, and digital forensics research. The system contains no generative or synthesis capabilities. Operating predictions provide calibrated probabilistic evidence with explicit evidentiary disclaimers to assist human analysts.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · pytorch · video-classification

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
ae0077a

0 моделей