Jul, 2022
使用深度学习检测深度伪造现象
Using Deep Learning to Detecting Deepfakes
Jacob Mallet, Rushit Dave, Naeem Seliya, Mounika Vanamala
TL;DR这篇文章旨在综述目前使用深度学习算法来应对社交媒体上深度伪造威胁的深度伪造检测模型，详细讨论了这些模型的优点、局限性和未来发展方向。
Abstract
In the recent years, social media has grown to become a major source of
information for many online users. This has given rise to the spread of
misinformation through →
发现论文，激发创造
深度伪造算法的比较分析
通过综述现有的 deepfake 生成和检测技术，本文分析了基于深度学习的 deepfake 创建方法和检测技术，并讨论了当前的 deepfake 检测方法的局限性和挑战，以及未来的研究方向，强调了对 deepfake 检测技术持续研究和发展的重要性，以应对 deepfake 对社会的负面影响，并确保数字视觉媒体的完整性。
Sep, 2023
深度伪造的创造与检测：一项调查
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
深度伪造检测和有限计算能力的影响
快速发展的技术和人工智能使得 deepfakes 成为一种越来越复杂和难以识别的技术。为了确保信息的准确性，控制虚假信息和大规模操控，寻找和发展能够普遍检测伪造视频的人工智能模型至关重要。本文旨在解决在计算资源有限的情况下检测 deepfakes 在各种现有数据集中的问题。目标是分析在这些限制下不同深度学习技术的适用性，并探索提高其效率的可能方法。
Feb, 2024
利用 MLP 和 LSTM 的混合式 Deepfake 检测
该研究提出了使用两个深度学习算法（LSTM 和 MLP）的新 deepfake 检测模型，并使用 140k 真实和虚假面孔数据集评估其在检测 deepfake 图像中的表现，最高可达 74.7% 的准确率。
Apr, 2023