揭示了 GAN 生成的人脸的瞳孔形状不规则的现象及其原因，并提出了一种自动方法，可以从两只眼睛中提取瞳孔并分析其形状，从而有效地区分 GAN 生成的人脸。

Sep, 2021

本文提出了一种基于面部标记点位置的新方法来揭示生成式对抗网络 (GAN) 合成图像的不同之处，并通过实验证明了 SVM 分类器使用面部标记点位置的效果可用于对 GAN 合成的面部进行分类。

Mar, 2019

通过分析当前 GAN 人脸检测的研究方向和方法，本文对深度学习、物理学、生理学以及与人类视觉性能的评估和比较等方法进行了分类，总结出不同类别的关键思路并与其具体实现相联系，讨论了存在的问题并提出了未来研究方向。

Feb, 2022

本文介绍了开发和验证了一种生成对抗网络（GAN），旨在创建高分辨率，逼真的前节光学相干层析成像（AS-OCT）图像。作者使用经验丰富的屈光外科医生对这些生成的图像的逼真程度进行了评估，并证明了他们的实用性。此外，使用提高后的分辨率的生成图像进一步改善了它们的质量，增强了它们在机器学习和图像分析任务中的有效性。

Jun, 2023

本文提出了一种基于生成对抗网络 (GAN) 的自动面部老化方法，强调在改变面部属性的同时，保留原始人物身份。通过新颖的 GAN 潜在向量的 “身份保持” 优化方法，通过现有的面部识别和年龄估计解决方案，对所得到的老化和回复面部图像进行客观评价，证明了所提方法的高潜力。

Feb, 2017

本文提出了一种基于生成对抗网络的可见面孔合成 (GAN-VFS) 方法，通过联合优化来自极化热成像的面孔图像。通过在训练过程中引入指导子网络来确保编码的可见特征包含更多的语义信息，结合恒等损失和感知损失实现兼顾光学真实属性和重建输出的区分特征，实验表明该方法达到了最先进的性能。

Aug, 2017

本研究提出了一个基于生成对抗网络和多流特征级融合技术的新方法，将极化热成像的人脸图像合成为高质量的可见光图像，并在不同的实验协议下进行多次实验验证。

Dec, 2018

通过建立一个综合基准测试来评估最先进的检测器的泛化能力和鲁棒性，然后通过频域分析伪造痕迹来得出各种见解，并进一步证明使用频率表示训练的检测器可以很好地泛化到其他未见的生成模型。

Feb, 2024

本文提出了一种用生成对抗网络生成大型合成数据集来进行注视估计的方法，该方法在移动设备上取得了最新成果并具有跨设备泛化能力。

Nov, 2017

通过人类语义知识和眼动实验研究假图像检测的可能性，结果显示人们在感知伪造样本时倾向于关注图像的更局部区域，与观看真实图像时更分散的观察模式形成对比。

Mar, 2024