本文介绍了一种设计三维人脸形状表征的新策略。通过将面部形状分解为身份部分和表情部分进行非线性编码和解码，利用属性分解框架对三维面孔网格进行表示，以更好地表示通常在彼此之间非线性变形的面孔形状。实验结果表明，我们的方法在分解身份和表情部分方面比现有方法表现更好，而且可以使用我们的方法获得更自然的表情转移结果。

Feb, 2019

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

本文提出了一种基于分层结构和纹理分解的生成框架，使用 BFCN 学习结构和纹理表征，并使用 SM-MSE 指标来测量纹理图案。实验表明，相对于基于样例合成的方法，本方法在视觉和客观指标上都表现更好，并且具有更好的跨数据集的泛化能力。

Oct, 2017

我们提出了一种深度信息分解（DID）框架，旨在通过优化深度信息以实现对真实 / 伪造的区分来解决深假技术跨数据集检测中面临的挑战，并改善该框架对各种无关信息变化的鲁棒性和检测未见伪造技术的泛化能力。与现有方法进行广泛的实验对比验证了 DID 框架在跨数据集深假检测方面的有效性和优越性。

Sep, 2023

本论文提出了基于深度神经网络的人脸部分的伪造检测系统，并将其应用于多个数据集中的人工伪造视频的实证分析。

Sep, 2021

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

通过表情分析生成满足要求的脸部几何表达形式并结合有监督和无监督学习实现面部细节合成的单图像三维面部综合技术.

Mar, 2019

本文提出了一个新的多注意力深度伪造检测网络，该网络通过引入区域独立的损失和基于注意力的数据增强策略来解决学习难度问题，并在多个数据集上展示了该方法在检测深度伪造方面的优越性。

Mar, 2021

本研究提出了一种基于内部图像分析的检测方法来区分真实人脸和 3D 面具，该方法将面部图像进行内部图像分解处理以计算其反射图像，然后从三个正交平面中提取强度分布直方图来表示反射图像之间的强度差异，并使用一维卷积网络进一步捕捉描述不同材料或表面对光照变化反应不同的信息。实验结果表明，本方法在检测性能上优于其他现有方法，并在 3DMAD 数据库上显示出其有效性。

Mar, 2019