本文对当前合成图像生成和处理技术的发展进行了探讨，并提出了一个基于 DeepFakes，Face2Face，FaceSwap 和 NeuralTextures 的面部操作检测基准，包括超过 180 万个操纵图像的数据库，并通过数据驱动型假冒检测器的详尽分析证明了使用额外领域特定知识的方法能够显著提高假冒检测的准确性。

Jan, 2019

本文提出了一种新的人脸视频伪造检测数据集和检测器，通过使用空间和时间特征的组合，可以更准确地检测和识别被肉眼难以发现的视频伪造，且该方法具有更好的检测准确性和泛化能力。

May, 2020

本文介绍了一个大规模人脸伪造检测基准 DeeperForensics-1.0，由新提出的端到端人脸交换框架生成。它包含 60,000 个视频和 17.6 万帧，是同类现有数据集的十倍大。该基准集有一个隐藏的测试集，包含了通过对真实视频进行广泛应用的方法制造的高欺骗得分的操作视频，并评估了五个代表性的检测基线并进行了彻底分析。

Jan, 2020

通过构建大规模数据集 FFIW-10K，该数据集包括了 10000 个高质量伪造视频，每个画面平均有三个人脸，再结合一个新算法，从而提升了人脸伪造检测的性能，该算法在 FFIW-10K 和现有基准测试上表现优秀。

Mar, 2021

本文针对社交媒体中伪造脸部的困扰，进行了综合研究，首次创建了一个大规模数据集 OpenForensics，并利用其丰富注释，评估了各种情景下的最新实例检测和分割方法的效果，以推动深度伪造的预防和人脸检测等方面的研究。

Jul, 2021

构建了最大的公共面部伪造数据集 ForgeryNet，涉及 2.9 百万张图片和 221,247 个视频，在图像和视频级数据上包含 4 个任务：图像伪造分类、空间伪造定位、视频伪造分类、和时间伪造定位，提供了对面部鉴定算法的完整评价。

Mar, 2021

本研究提出了一种基于真实对话视频的假脸检测技术，通过跨模态自监督学习得到时序稠密视频表示，鼓励假脸检测器基于面部运动、表情和身份等因素做出真 / 假决策，并在交叉操作泛化和鲁棒性实验中取得了最先进的表现。

Jan, 2022

通过构建大规模评估基准 DeepFaceGen，本研究从多个角度评估和分析 13 种主流人脸伪造检测技术的性能，并通过广泛的实验分析得出重要发现并提出未来研究的潜在方向。

Jun, 2024

为了区分 “真实” 和 “篡改” 内容，在现代内容编辑工具成熟和基于人工智能的算法合成媒体不断发展的背景下，我们提出了 VideoSham 数据集，它包含 826 个视频（413 个真实和 413 个篡改）。该数据集具有更多元化、富于语境和以人为中心的高分辨率视频，使用 6 种不同的空间和时间攻击进行操作，我们分析发现，现有的最先进的检测算法只适用于少数几种攻击，并且不适用于 VideoSham。我们在 Amazon Mechanical Turk 上进行了用户研究，并深入分析了人类和 SOTA 算法的性能优劣，以确定需要更好的人工智能算法来填补差距。

Jul, 2022

本综述分析了视觉媒体完整性验证的方法，着重于探讨深度伪造现象和现代数据驱动的法医分析方法，以揭示现有取证工具的限制、相关问题、挑战和未来研究方向。

Jan, 2020