我们提出了一种广义的深度伪造归因网络 (GDA-Net)，可以将伪造图像归因于相应的 GAN 架构，即使它们是从不同种子 (cross-seed) 的重新训练版本或现有 GAN 模型的微调版本生成的。与现有方法相比，对 GAN 模型的交叉种子和微调数据进行的大量实验证明了我们的方法的高效性。我们还提供了源代码来验证我们的结果。

Jun, 2024

我们通过嵌入人工指纹到生成对抗网络的训练数据中，展示了指纹从训练数据中转移到生成模型的惊人传递性，并证明此解决方案对多种诸如深度伪造检测和归属等任务都有效，且鲁棒性强。

Jul, 2020

本研究首次学习 GAN 指纹以进行图像归属，并使用它们将图像分类为真实或 GAN 生成。实验表明，GAN 生成的图像具有稳定的指纹，指纹细调有效防御五种类型的对抗性图像扰动，并且得出结论指出我们学习到的指纹在各种设置中一致优于几个基线。

Nov, 2018

本文介绍了一种解决图片或视频伪造及版权问题的方法，利用生成对抗网络的投影反演算法在白盒情况下，对合成图像进行属性归因和输入的提取。

May, 2019

通过训练网络、识别不在分布范围内的图像、聚类、合并及优化等多个步骤，我们提出了一种迭代算法，可以高准确率发现来自以前未见过的 Generative Adversarial Networks (GANs) 的图像，同时，该算法在识别真实数据集上的 GAN 时也具有泛化能力，并可应用于在线发现和真假检测。

May, 2021

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

该研究旨在针对利用深度学习工具生成人脸的 Deepfake 现象，提出新的检测方法。提出的该算法基于期望最大化算法，提取了一组特定的局部特征来建模卷积生成过程，经实验验证有效地区分了不同的架构和相应的生成过程。

Apr, 2020

本研究旨在验证通过预处理和数据增强，一个经典 CNN 生成器（ProGAN）训练出的图像分类器可以很好地适应不同的 CNN 生成器体系结构，数据集和训练方法，并发现了 CNN-generated images 的一些共同系统缺陷。

Dec, 2019

基于三个块的新型方法，通过提取具有分辨力的特征来区分不同类型的图像，进而解决深度学习算法生成的合成图像在数字取证领域中的挑战，实验证明该方法在 JPEG 压缩和泛化测试方面具有良好的鲁棒性并超越了现有方法。

Apr, 2024

通过反转图像的文本提示并将重构的提示放入不同的候选模型中来重新生成候选伪图片，通过计算并排序测试图片与候选图片的相似性，我们可以确定图片的来源模型，从而使模型的所有者对其模型的任何滥用负有责任。

Mar, 2024