本文提出了一种基于 GAN 的脸部交换和演绎方法，其中采用了 RNN 和 Delaunay Triangulation 来进行脸部再现，并使用 Poisson blending loss 来实现融合。与现有技术相比，本方法在定性和定量方面均有更好的表现。

Aug, 2019

通过分析当前 GAN 人脸检测的研究方向和方法，本文对深度学习、物理学、生理学以及与人类视觉性能的评估和比较等方法进行了分类，总结出不同类别的关键思路并与其具体实现相联系，讨论了存在的问题并提出了未来研究方向。

Feb, 2022

本研究提出了一种基于深度学习的面部交换生成对抗网络（FSGAN），用于面部交换和活体重放，包括一种新颖的迭代深度学习方法，可用于面部活体重放，采用重建三角形和重心坐标的方法连续插值，使用面部补全网络处理被遮挡的面部区域，最终采用一种新型泊松混合损失融合两张面孔并保持目标肤色和照明条件。

Feb, 2022

通过一个创新的端到端框架，我们提出了一种高保真度的面部交换方法，其中使用了深度学习方法中的生成对抗网络（GANs）作为基础，通过面部属性编码器、基于注意力的样式混合模块和样式解码器等多个模块，解决了以往面部交换方法中的混合不一致、失真、伪影和训练稳定性等问题。我们在 CelebA-HQ 数据集上进行了大量实验，与其他先进方法相比，我们的面部交换方法生成的图像具有更高的视觉质量，并且每个提出的模块都显著有效。源代码和权重将公开提供。

Dec, 2023

本文描述了一种新颖的人脸交换网络，使用 transformer 网络来学习源脸部与目标脸部之间高质量的语义感知对应，实现在交换后的脸部图像中同时保留源身份和目标属性。

Apr, 2023

本文综述了利用大规模公共数据库及深度学习技术（尤其是生成对抗网络）生成逼真虚假内容的技术及其在虚假新闻时代的社会影响，包括 DeepFake、面部属性操作和面部表情交换等四种类型的面部操纵技术，以及检测这些操纵方法的关键技术。同时，我们详细介绍了每种操纵类型的技术、公共数据库和关键指标，并着重介绍了最新一代的 DeepFakes 在虚假检测方面的改进和挑战。除了综述信息外，我们也讨论了该领域的未解决问题和未来趋势。

Jan, 2020

在本文中，我们使用基于 GAN 的开源软件从 VidTIMIT 数据库的视频生成 Deepfake 视频，调整不同的训练和混合参数对生成视频的质量有显著影响，并表明当前的人脸识别系统和现有的检测方法都很容易受到 Deepfake 视频的干扰。

Dec, 2018

我们提出了一个大规模、多样化且高保真度的数据集 GenFace，用于推动深度伪造检测的发展，该数据集包含了由先进生成器生成的大量伪造人脸，如扩散模型，并提供了有关操作方法和采用生成器的更详细的标签。此外，我们设计了一种创新的跨外观边缘学习（CAEL）检测器，用于捕获多粒度的外观和边缘全局表示，并检测具有区分性和普遍的伪造痕迹。此外，我们设计了外观 - 边缘交叉注意力（AECA）模块，以探索两个域之间的各种整合。广泛的实验结果和可视化显示，我们的检测模型在跨生成器、跨伪造和跨数据集评估等不同设置下优于最先进的模型。

Feb, 2024

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

通过建立一个综合基准测试来评估最先进的检测器的泛化能力和鲁棒性，然后通过频域分析伪造痕迹来得出各种见解，并进一步证明使用频率表示训练的检测器可以很好地泛化到其他未见的生成模型。

Feb, 2024