随着深度伪造(简称“深伪”)技术生成质量不断逼近真实影像,深伪检测在多媒体内容安全中的作用愈发重要。然而,现有方法多依赖真实与伪造样本的统计偏差进行判别,使其在黑盒条件下面临对抗脆弱性。文章研究在无训练、零查询黑盒场景下检测系统的安全性,提出一种新的攻击视角,将对抗攻击建模为对伪造图像统计指纹的定向修复,而非外源噪声扰动。基于此,文章提出频域分布对齐的无训练黑盒攻击方法(SpectralFusion)。该方法利用深伪生成中天然存在的真实-伪造成对先验,在无需访问检测器参数、梯度及额外训练与查询的前提下,通过频域分析定位伪造图像与真实参考的统计差异,并仅对异常频段进行受控修正。具体地,设计差异感知掩码以精确定位异常频段,并引入自适应融合强度机制动态调节修正能量;结合局部重叠块的频谱处理策略,实现对伪造频域特征的精细对齐与重建。实验结果表明,SpectralFusion在保持较高视觉保真度的同时,能够稳定削弱多种检测模型的判别置信度,并在不同模型架构与伪造类型下展现出良好泛化能力。研究结果揭示了深伪检测模型在频域统计层面的潜在安全隐患,为评估黑盒检测系统的鲁棒性提供了新视角。