本文提出了一种基于显示抑制背景噪声和学习多尺度可区分特征的方法，将人脸伪造检测问题归纳为细粒度分类问题，并在不同数据集和伪造技术的实验场景中实验证明了方法的优越性。
Oct, 2023
本文主要研究内容为探索 CNN-based detectors 在进行基于不同训练策略和数据增强技术的测试集和训练集的情况下，针对深度伪造视频中面部伪造的检测系统的不同影响。
Nov, 2020
本文研究深度学习架构 (CNNs 和 Transformers) 的演进，设计和开发了深度伪造检测模型，并在深度伪造数据集上进行了实验，取得了较高的准确率和 AUC，并分析了不同深度伪造数据集之间的关系。
Apr, 2023
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
本文重点研究了现有 DeepFake 检测框架的局限性和缺陷，通过现有方法和数据集的定量和定性分析，发现 deepfake 数据集过度扩充，容易导致过度拟合，而提出的数据增强方法（面部切除）能够成功改善数据变化并缓解过度拟合问题。
Feb, 2021
通过引入卷积 LSTM 残差网络（CLRNet）并探索深度伪造（DeepFake）中的时空信息，我们提出了一种更通用的方法来检测由多种方法产生的深度伪造，包括 DeepFake-in-the-Wild（DFW），此方法在多个基准数据集上表现良好并进行了评估。
May, 2021
通过生成合成的混合图像并利用多尺度特征重建网络，实现更好的跨操作检测和跨数据集检测性能。
Dec, 2023
本文讲述了人工智能 (AI) 技术支持的合成媒体 - 深度伪造技术 (deepfakes)，由此带来了令人兴奋的新应用，但也产生了对我们越来越数字化的世界的严重威胁。为了缓解这些威胁，研究人员尝试提出新的深度学习技术来检测 deepfakes，同时比较了多种模型模型的判别能力。他们的结果印证了集成模型在应对不同操作类别时的准确性，但是它的推广需要众多的训练数据作为支撑。
该研究介绍了一种深假检测框架，利用自监督预训练模型提供出色的泛化能力，能够应对常见的扭曲并解释模型的决策，实验证明该框架的有效性超过当前最先进方法。
Jul, 2023
本论文旨在探讨不同的方法学以实现具有更高准确度的低成本模型，以检测 Deepfake，并解决数据集的泛化问题。