本文介绍了构建深度伪造检测模型的关键 - 构建大规模的人脸置换视频数据集和 Deepfakes 检测挑战。

Jun, 2020

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

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

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

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

本研究对最新的深度伪造检测器进行了广泛综述和分析，评估了它们在几个关键标准下的表现，并将它们分类成四个高水平组和十三个细粒度子组，进一步提供了关于影响检测器有效性的因素的深入实际见解。通过考察 16 个主要检测器在多种标准攻击场景下的普适性，包括黑盒、白盒和灰盒设置，系统性的分析和实验为对抗各种攻击场景的深度伪造检测器的研究奠定了基础，并为制定更积极的防御策略提供了启示。

Jan, 2024

针对如今深度学习技术生成的深度伪造技术的滥用所带来的严重安全和隐私问题，本研究提出了 FakeAVCeleb 这一包含视频和相应的合成唇同步伪造音频的新型多模态 Audio-Video Deepfake 数据集，其有助于打破现存音频和视频上的种族偏见，进一步帮助发展多模态深度伪造检测器。

Aug, 2021

该研究纸介绍了一个深度伪造数据库（DFLIP-3K），它包含了大约 3K 个生成模型的约 300K 个多样化的深度伪造样本，并收集了约 190K 个这些伪造样本的语言特征，旨在促进深度伪造检测的语言建模、模型识别和提示预测等领域的研究和发展。

Jan, 2024