研究发现最近深度学习模型容易出现以种族和性别等保护类别为基础的歧视。通过使用平衡的脸部数据集，探究三种常见的深度伪造检测器在保护子群体上的性能差异，发现预测性能在种族之间存在很大的差异，该研究还发现一些方法可能会导致伪造影响保护子群体，并造成检测器出现系统性别种族歧视。

May, 2021

本文提出了一种新的算法来训练公平的 deepfake detection model，以解决使用偏见的数据训练深度学习模型可能会导致不公平表现的问题。实验结果表明，该方法可以提高 deepfake detection 的公平性和鲁棒性。

Jun, 2023

通过同时考虑特征、损失和优化方面，我们提出了第一个在深度假像检测中解决公平性泛化问题的方法，采用解缠学习提取人口统计和领域无关的伪造特征，并将它们融合在一起，以在交叉领域的深度假像检测中鼓励公平学习。在知名深度假像数据集上进行的广泛实验证明了我们方法在保持公平性方面的有效性，超过了现有技术水平。

Feb, 2024

利用生成的训练数据集中的人口属性平衡机制，提出了一种全面的评估方法，旨在促进更公平、透明的人脸识别和验证，并发现在减少人口属性不公平的同时，性能差距仍然存在。

Jun, 2024

介绍了一个 DFDC 数据集，其中包含 5K 深度伪造视频，分别采用两种面部修改算法，通过特定度量标准评估其检测性能并测试了两个已有的深度伪造检测模型。

Oct, 2019

本文研究基于深度学习技术的面部识别、年龄估计、性别识别和亲属关系验证模型中存在的人口统计学偏差，并通过引入规模最大、最全面的面部图像和视频数据集及手动注释，揭示了基于最先进模型的拟合性能和偏差，最后引入和验证了去偏嵌入网络的方法。

May, 2020

针对自动化性别分类系统在不同种族和性别群体中存在的差异性，本文分析了深度学习算法中的架构差异和训练集不平衡等潜在差异性来源，并在两个大规模的公开数据集上进行了实验。实验结果表明，不同算法的分类表现存在一致性，而且黑种女性和黑种族总体的准确率最低，中东男性和拉丁女性的准确率大多数情况下更高。同时提出骨骼结构受基因和环境因素影响的面部形态差异可能是黑种女性表现不佳的原因。

Sep, 2020

AI 生成的人脸已经丰富了人类的生活，但也存在滥用风险。为了缓解偏见，设计算法公平方法是关键，然而当前检测器在不同人群中表现出偏见。本研究引入了 AI-Face 数据集，该数据集是首个具备人口属性注释的、包括真实人脸、deepfake 视频中的人脸以及由生成对抗网络和扩散模型生成的人脸的百万级 AI 生成人脸图像数据集。基于该数据集，我们进行了首次全面的公平性评估，评估了各种 AI 人脸检测器，并提供有价值的见解和发现，以推动未来公平设计 AI 人脸检测器。我们的 AI-Face 数据集和评估代码在此 https URL 上公开可用。

Jun, 2024

通过生成式 AI 和扩散模型，我们引入了两个广泛的生成伪造数据集，用于测试当前深伪造检测器的脆弱性，并提出了增强训练数据多样性和动量困难提升策略来改进模型的普适性。通过全面评估，我们的模型优化方法明显优于以前的替代方案。

Apr, 2024

本文介绍了构建深度伪造检测模型的关键 - 构建大规模的人脸置换视频数据集和 Deepfakes 检测挑战。

Jun, 2020