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

本文提出了一种基于深度学习的人脸操作检测方法，包括特征提取和二进制分类两个阶段，并采用三元组损失函数来更好地区分真实面孔和伪造面孔，实验结果表明该方法的性能大多数情况下优于现有技术。

Sep, 2020

本文综述了利用大规模公共数据库及深度学习技术（尤其是生成对抗网络）生成逼真虚假内容的技术及其在虚假新闻时代的社会影响，包括 DeepFake、面部属性操作和面部表情交换等四种类型的面部操纵技术，以及检测这些操纵方法的关键技术。同时，我们详细介绍了每种操纵类型的技术、公共数据库和关键指标，并着重介绍了最新一代的 DeepFakes 在虚假检测方面的改进和挑战。除了综述信息外，我们也讨论了该领域的未解决问题和未来趋势。

Jan, 2020

利用基于深度学习的技术来鉴别伪造的面部操作视频，特别是针对基于强制仿射变换的面部偏移位移轨迹进行提取和多维度的神经病网络构建，其中虚拟锚点和时空图注意力和门控循环单元成功检测出现多重伪造训练数据集中的假视频，该方法表现出了竞争力。

Dec, 2022

该论文提出了一种新方法，基于估计人脸图像的三维头部姿势的检测手段，检测出利用人工智能生成的虚假人脸图片或视频 (即 Deep Fakes) 的方法，并通过基于此方法的特征和 SVM 分类器对真实人脸和 Deep Fakes 进行了分类。

Nov, 2018

利用注意机制改善学习到的特征图，提高二分类（真实脸或伪造脸）的准确性和可视化处理后的伪造部位，通过大规模数据库的实验，证明了注意机制在人脸伪造检测和定位的有效性。

Oct, 2019

DeepFidelity 和 SSAAFormer 是一种新的深度伪造检测框架和网络结构，能够自适应地区分具有不同图像质量的真实和伪造人脸图像，并在多个基准数据集上展现出优势。

Dec, 2023

深度伪造生成对场景整体几何和采集过程造成了特征变化，通过分析图像中表面的特征可生成一个可用于深度伪造检测的描述符，称为 SurFake。在各种深度伪造和深度学习模型上进行的实验结果证实了该特征可用于区分原始图像和经过篡改的图像，并且实验证明结合视觉数据可提高检测准确性。

Oct, 2023

本文重点研究了现有 DeepFake 检测框架的局限性和缺陷，通过现有方法和数据集的定量和定性分析，发现 deepfake 数据集过度扩充，容易导致过度拟合，而提出的数据增强方法（面部切除）能够成功改善数据变化并缓解过度拟合问题。

Feb, 2021

基于 DeepFake 技术的数字面部伪造对公共媒体安全构成威胁，尤其是在使用口型操作生成说话人脸时，伪视频检测的难度进一步增加。本研究提出了一种利用视觉、音频和运动特征结合的跨模态融合模块的伪说话人脸检测网络（FTFDNet），并引进了一种新颖的音频 - 视频注意机制（AVAM），从而在已建立的伪说话人脸检测数据集（FTFDD）以及 DeepFake 视频检测数据集（DFDC 和 DF-TIMIT）上实现了比其他先进 DeepFake 视频检测方法更好的检测性能。

Jul, 2023