本文介绍了构建深度伪造检测模型的关键 - 构建大规模的人脸置换视频数据集和 Deepfakes 检测挑战。

Jun, 2020

研究表明，AI 合成的换脸深度伪造视频越来越威胁到在线信息的可信性。为了解决此问题，研究者开发和评估了 DetectFake 算法，并提出了一个新的高质量数据集 Celeb-DF，其中包含 5639 个名人深度伪造视频，通过改进的合成过程生成，成为目前 DeepFake 识别算法和数据集的新的挑战。

Sep, 2019

本文详细描述了构建韩国 DeepFake Detectio Dataset（KoDF）的方法，通过实验表明了 KoDF 与现有 DeepFake 检测数据集之间的差异，强调使用多个数据集进行现实世界的泛化的重要性。

Mar, 2021

通过对深度伪造图像的产生和检测进行深入研究，本论文提出了一种全面的深度伪造图像生成与识别的方法。在我们的研究中，我们创建了一个名为 DeepFakeFace (DFF) 的数据集，用于训练和测试检测深度伪造图像的算法。我们进行了对 DFF 数据集的全面评估，并提出了两种评估方法来测试深度伪造识别工具的强度和适应性。根据我们的发现，不同的深度伪造方法和图像变化产生了多种结果，突显了对深度伪造检测器的需求。我们的 DFF 数据集和测试旨在促进更有效的抵御深度伪造的工具的发展。

Sep, 2023

本文提出了一种新的数据集 WildDeepfake，用于支持深度学习的 DeepFake 检测器在网络上对真实世界中的 DeepFakes 进行更好地检测，通过对其进行多维度评估，展示了其在检测性能方面的优越性，并提出了基于注意力机制的 ADDNets 以便更好地实现检测。

Jan, 2021

本文提出了一种有效的方法来评估 DeepFake 视频的视觉真实感，并详细介绍了两个卷积神经网络模型的数据预处理和训练程序，这些模型通过从帧序列中提取的特征来预测 DeepFake 视频的 Mean Opinion Scores，并在 DeepFake Game Competition (DFGC) 2022 评估中获得了第三名。

Jun, 2023

我们提出了一个全新的综合基准来革新当前的深度伪造检测领域，主要是通过研究训练数据集和测试数据集对现实世界中存在的各种真实多样的深度伪造进行综合评估。

Jun, 2024

本文报告了 DeeperForensics Challenge 2020 关于真实世界人脸伪造检测的方法和结果，使用 DeeperForensics-1.0 数据集进行模型评估，总共有 115 名参赛者和 25 个团队进行了有效提交，文中将对获胜解决方案进行总结，并对潜在的研究方向进行讨论。

Feb, 2021

本文建立了一个性别平衡且标注了性别标签的深度伪造数据集，用于解决当前深度学习伪造检测器在性别上表现差异导致的不公平问题。分析结果表明，当前普遍采用的深度伪造检测器在大多数情况下男性的表现优于女性的表现。

Jul, 2022

通过生成式 AI 和扩散模型，我们引入了两个广泛的生成伪造数据集，用于测试当前深伪造检测器的脆弱性，并提出了增强训练数据多样性和动量困难提升策略来改进模型的普适性。通过全面评估，我们的模型优化方法明显优于以前的替代方案。

Apr, 2024