人们对深度伪造视频的感知能力进行主观研究，结果显示机器学习模型相对于人类在同样的 40 个视频上有更好的表现，而人们又往往高估了自己的检测能力。这一研究结果有助于对比人类和机器的性能、推进法医分析，并实现自适应对策。

May, 2024

本文通过对 182 篇同行评议的出版物进行初步范围审查，评估了有关深度伪造的文献。通过讨论各方面的趋势，将结果应用于高等教育领域，提出了深度伪造技术在高等教育中的主要风险和潜在的缓解策略，以及有益于教学和学习的用途，最终提出了一个研究议程以构建一个全面的、跨文化的深度伪造教育研究方法。

Apr, 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

本文介绍了一些用于分析音频信号的常见信号处理技术。我们提供了一个新的数据集，并采用了两个基线模型，以便进一步研究深层次的生成建模在音频信号领域的应用。

Nov, 2021

研究表明，人们对于真实和伪造的政治演讲的辨别能力更多地依赖于音频和视觉线索，而并非演讲内容本身。然而，反思性推理能力会调节参与者对视觉线索的考虑程度，反应出低反思性推理能力与过度依赖演讲内容的趋势。

Feb, 2022

这篇综述论文讨论了 Deepfake 技术的方法和应用，包括面部操纵、深度学习、伪造检测技术和虚假图像的识别。

Jun, 2024

深度伪造是通过人工智能生成的媒体，其中图像或视频经过数字修改。本研究提出了一种基于音视频的深度伪造检测方法，将细粒度的深度伪造识别与二元分类结合，增强了在域内和跨域测试下的检测能力。

Oct, 2023

本文综述了现有工具和基于机器学习的方法，用于深度伪造（Deepfake）的生成和检测，并讨论了目前的公共数据集和对技术进行性能评估的关键标准，强调了未来研究的方向。

Feb, 2021

本文旨在探讨生成深度学习算法如何创作和侦测 Deepfakes，并提供对其工作原理的深入了解以及当前领域的趋势和进展、目前防御解决方案的不足之处以及需要进一步研究和关注的领域。

Apr, 2020

通过用户研究，发现即使对于新手用户，在有足够的工具和时间的情况下制作 Deepfakes 也是一项简单的任务。但是，由于不够真实，Deepfakes 无法完全欺骗检测软件和人类检查员。

Apr, 2023