该研究通过对生成对抗网络的结构进行分析，提出了一些关于频率偏差和高频伪影的新发现，并尝试分析了一些现有的提高生成质量的方法，但没有实现完美的改进。最后，该研究建议，提升鉴别器的质量将是解决频率伪影问题的关键。
Nov, 2021
通过对高频傅里叶模式的分析，我们提出了一种基于图像频谱的检测方法，能够在 5000 张图像的数据集上实现高达 99.2% 的准确分类，并建议一种修改高频属性的方法以模拟真实图像。
Nov, 2019
本文提出了一种基于异步频率谱的方法，对生成对抗网络（GAN）的合成图像进行识别和检测，并在不同领域之间进行了验证。
Dec, 2021
本文提出了一种名为 SSD-GAN 的 GAN 算法增强版，加入了一个基于频率感知的分类器来测量输入图像在空间和频谱领域内的真实性，并采用增强版的辨别器来激励生成器生成真实数据高频内容和精确细节。该方法易于集成并验证其有效性。
Dec, 2020
本文提出了一个可以模拟多个流行 GAN 模型的 GAN 模拟器 AutoGAN，并基于频域的特性提出了一种分类器模型，从而即使在自主学习时无法看到目标 GAN 模型生成的假图像，也可以在检测流行 GAN 模型生成的假图像方面实现最先进的表现。
Jul, 2019
通过对生成对抗性网络的频域进行分析，我们发现生成的 Deep fake images 在这一领域会展现出一些严重的瑕疵，通过这些瑕疵可以自动识别出 deep fake images， 超越了现有的最先进方法。
Mar, 2020
该研究提出了一种基于对比学习的频谱转换框架（STIG），以改善生成对抗网络和扩散模型的图像生成性能，通过对图像的频谱进行精炼，减少频谱异常，提高图像质量。
Mar, 2024
通过 DCGAN、LSGAN、WGAN-GP 和 StarGAN 等实验，我们证明了 CNN 生成图像中的高频谱衰减特征并非根本性缺陷，可以通过微小结构调整避免。同时，我们成功绕过了最近提出的利用高频谱衰减属性进行 CNN 生成图像检测的技术。这些结果表明，高频谱衰减属性并非鲁棒性特征且无法用于 CNN 生成图像检测，这需要重新思考。
Mar, 2021
通过比较频谱鉴别器和空间鉴别器在高频和低频范围内的表现差异，我们建议同时使用频谱和空间鉴别器，并通过 Transformer 计算补丁的傅立叶谱并聚合谱来改进频谱鉴别器的效果。添加频谱鉴别器使得我们得到的超分辨率图像其频谱更接近真实图像，从而在感知细节和图像质量之间达到更好的平衡；集成鉴别器更准确地预测感知质量。
Jul, 2023
通过学习真实图像的自然特征，利用监督对比学习的方法，我们的研究提出了一种探测器，针对虚假图像中的伪像纹理的变化进行检测，并在广泛的实验证明了其在未知伪造技术的泛化和对不同变换的鲁棒性方面的显著优势。