通过综述现有的 deepfake 生成和检测技术,本文分析了基于深度学习的 deepfake 创建方法和检测技术,并讨论了当前的 deepfake 检测方法的局限性和挑战,以及未来的研究方向,强调了对 deepfake 检测技术持续研究和发展的重要性,以应对 deepfake 对社会的负面影响,并确保数字视觉媒体的完整性。
Sep, 2023
这篇综述论文讨论了 Deepfake 技术的方法和应用,包括面部操纵、深度学习、伪造检测技术和虚假图像的识别。
Jun, 2024
调查和分析当前深度伪造检测领域的各种方法和进展,以解决恶意深度伪造创建和缺乏普适性深度伪造检测方法的问题。
Aug, 2023
本文简要介绍了图像处理、深度伪造技术以及用于检测这些技术的方法和数据集。
May, 2022
本文旨在探讨生成深度学习算法如何创作和侦测 Deepfakes,并提供对其工作原理的深入了解以及当前领域的趋势和进展、目前防御解决方案的不足之处以及需要进一步研究和关注的领域。
Apr, 2020
该文章调查了深度伪造技术的算法及检测方法,并讨论了相关挑战、研究方向与发展趋势。
Sep, 2019
这篇文章旨在综述目前使用深度学习算法来应对社交媒体上深度伪造威胁的深度伪造检测模型,详细讨论了这些模型的优点、局限性和未来发展方向。
Jul, 2022
本文综述了现有工具和基于机器学习的方法,用于深度伪造(Deepfake)的生成和检测,并讨论了目前的公共数据集和对技术进行性能评估的关键标准,强调了未来研究的方向。
Feb, 2021
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
本文通过对 182 篇同行评议的出版物进行初步范围审查,评估了有关深度伪造的文献。通过讨论各方面的趋势,将结果应用于高等教育领域,提出了深度伪造技术在高等教育中的主要风险和潜在的缓解策略,以及有益于教学和学习的用途,最终提出了一个研究议程以构建一个全面的、跨文化的深度伪造教育研究方法。
Apr, 2024