野外人脸鉴定
通过引入新的半百万级别的面部操作数据集，本文提出了对诸如经典图像取证分类、分割、以及众多优化方法进行基准测试、鉴定的处理任务，包括压缩不同质量级别下的视频，并达到超越现有所有视频操纵数据集一个数量级的状态，旨在通过根据目标制作难以区分的赝品来进行基准评估。
Mar, 2018
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
本文提出了一种新的人脸视频伪造检测数据集和检测器，通过使用空间和时间特征的组合，可以更准确地检测和识别被肉眼难以发现的视频伪造，且该方法具有更好的检测准确性和泛化能力。
May, 2020
本文针对社交媒体中伪造脸部的困扰，进行了综合研究，首次创建了一个大规模数据集 OpenForensics，并利用其丰富注释，评估了各种情景下的最新实例检测和分割方法的效果，以推动深度伪造的预防和人脸检测等方面的研究。
Jul, 2021
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
通过构建大规模评估基准 DeepFaceGen，本研究从多个角度评估和分析 13 种主流人脸伪造检测技术的性能，并通过广泛的实验分析得出重要发现并提出未来研究的潜在方向。
Jun, 2024
本文报告了 DeeperForensics Challenge 2020 关于真实世界人脸伪造检测的方法和结果，使用 DeeperForensics-1.0 数据集进行模型评估，总共有 115 名参赛者和 25 个团队进行了有效提交，文中将对获胜解决方案进行总结，并对潜在的研究方向进行讨论。
Feb, 2021
本研究提出了一种基于真实对话视频的假脸检测技术，通过跨模态自监督学习得到时序稠密视频表示，鼓励假脸检测器基于面部运动、表情和身份等因素做出真 / 假决策，并在交叉操作泛化和鲁棒性实验中取得了最先进的表现。
Jan, 2022
构建了最大的公共面部伪造数据集 ForgeryNet，涉及 2.9 百万张图片和 221,247 个视频，在图像和视频级数据上包含 4 个任务：图像伪造分类、空间伪造定位、视频伪造分类、和时间伪造定位，提供了对面部鉴定算法的完整评价。
Mar, 2021
介绍野外人脸防炸数据集（WFAS），该数据集包含 853,729 张交错图像，涵盖了 321,751 个欺诈主题和 148,169 个真实主题，集成了从互联网获得欺诈数据，并在 CVPR2023 工作坊上主持了野生人脸反欺诈挑战。
Apr, 2023