Apr, 2020
深度伪造的创造与检测：一项调查
The Creation and Detection of Deepfakes: A Survey
Yisroel Mirsky, Wenke Lee
TL;DR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。
Abstract
generative deep learning algorithms have progressed to a point where it is
difficult to tell the difference between what is real and what is fake. In
2018, it was discovered how easy it is to use this technology for unethical and
malicious applications, such as the spread of
发现论文，激发创造
深度伪造算法的比较分析
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
Deepfakes 生成和检测：现状、挑战、对策和发展方向
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
深度伪造检测和有限计算能力的影响
快速发展的技术和人工智能使得 deepfakes 成为一种越来越复杂和难以识别的技术。为了确保信息的准确性，控制虚假信息和大规模操控，寻找和发展能够普遍检测伪造视频的人工智能模型至关重要。本文旨在解决在计算资源有限的情况下检测 deepfakes 在各种现有数据集中的问题。目标是分析在这些限制下不同深度学习技术的适用性，并探索提高其效率的可能方法。
Feb, 2024