通过对生成对抗性网络的频域进行分析，我们发现生成的 Deep fake images 在这一领域会展现出一些严重的瑕疵，通过这些瑕疵可以自动识别出 deep fake images， 超越了现有的最先进方法。

Mar, 2020

通过 DCGAN、LSGAN、WGAN-GP 和 StarGAN 等实验，我们证明了 CNN 生成图像中的高频谱衰减特征并非根本性缺陷，可以通过微小结构调整避免。同时，我们成功绕过了最近提出的利用高频谱衰减属性进行 CNN 生成图像检测的技术。这些结果表明，高频谱衰减属性并非鲁棒性特征且无法用于 CNN 生成图像检测，这需要重新思考。

Mar, 2021

本文提出使用谱鉴别器按照真实数据的频率分布生成图像，以解决当前深度生成模型中图像易被识别的问题。谱鉴别器具有轻量、模块化等特点，可以有效改进生成图片的频谱，提升模型性能。

Dec, 2020

本文提出了一种基于异步频率谱的方法，对生成对抗网络（GAN）的合成图像进行识别和检测，并在不同领域之间进行了验证。

Dec, 2021

该研究通过对生成对抗网络的结构进行分析，提出了一些关于频率偏差和高频伪影的新发现，并尝试分析了一些现有的提高生成质量的方法，但没有实现完美的改进。最后，该研究建议，提升鉴别器的质量将是解决频率伪影问题的关键。

Nov, 2021

本研究通过对各种不同类型图像生成器的系统研究，探寻真实与虚假图像之间最具法医学意义的特征，发现合成图像中出现了可见的傅里叶域信号缺陷，以及自相关中出现的异常规律图案，并且当用于训练模型的数据集缺乏足够的多样性时，其偏见会转移到生成的图像中，观察了人造图像与真实图像之间较高频率信号内容的显著差异。

Apr, 2023

通过频域学习提高深伪造图像检测器的泛化性能，包括使用频率级别的伪造检测方法和一个特定设计的频域学习模块，实现了先进的性能 (+9.8%)，并且所需参数更少。

Mar, 2024

通过在频域解释网络组件，我们发现了生成模型频率分布和网格状模式不一致问题的来源。利用这些发现，我们开发了低成本的合成模型，能够生成模拟真实生成模型中观察到的频率模式的图像。这些模式的指纹提取器在合成数据上进行预训练后，在验证、识别和分析如 GAN、VAE、Flow 和扩散等真实基于 CNN 的生成模型的关系方面展现出优越的迁移能力。

Jul, 2023

本文提出了一种名为 SSD-GAN 的 GAN 算法增强版，加入了一个基于频率感知的分类器来测量输入图像在空间和频谱领域内的真实性，并采用增强版的辨别器来激励生成器生成真实数据高频内容和精确细节。该方法易于集成并验证其有效性。

Dec, 2020

提出了一种针对深度伪造技术 (Fake 技术) 的视觉数据的伪造检测算法，通过重新合成测试图像并提取视觉线索进行检测，该方法包括超分辨率、降噪和上色。该方法具有较高的检测效率、交叉 GAN (Cross-GAN) 泛化以及对 CelebA-HQ、FFHQ 和 LSUN 数据集的扰动鲁棒性。

May, 2021