介绍了一个 DFDC 数据集，其中包含 5K 深度伪造视频，分别采用两种面部修改算法，通过特定度量标准评估其检测性能并测试了两个已有的深度伪造检测模型。

Oct, 2019

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

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

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

在本文中，我们使用基于 GAN 的开源软件从 VidTIMIT 数据库的视频生成 Deepfake 视频，调整不同的训练和混合参数对生成视频的质量有显著影响，并表明当前的人脸识别系统和现有的检测方法都很容易受到 Deepfake 视频的干扰。

Dec, 2018

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

通过引入新的半百万级别的面部操作数据集，本文提出了对诸如经典图像取证分类、分割、以及众多优化方法进行基准测试、鉴定的处理任务，包括压缩不同质量级别下的视频，并达到超越现有所有视频操纵数据集一个数量级的状态，旨在通过根据目标制作难以区分的赝品来进行基准评估。

Mar, 2018

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