ID-Reveal 通过度量学习和对抗性训练策略学习了特定于人物说话时的时间面部特征，从而在没有任何伪造训练数据的情况下，实现面部伪造检测。与现有技术相比，ID-Reveal 在面部信息伪造检测上表现出更好的泛化性和鲁棒性。

Dec, 2020

通过使用有关个体公众人物身份的信息，利用神经网络的幂等性属性，我们提出了一种改进深度伪造图像检测方法，并使用自行策划的包含 45 个公众人物的数据集进行实验，结果表明方法有效性提高，检测性能提高了，AUC 值从 0.92 提高到 0.94，并且其标准差减少了 17%。

Dec, 2023

本文提出了一种基于身份识别的 DeepFake 检测方法，该方法不尝试检测图像伪造，而是侧重于确定图像 / 视频中的身份信息是否正确。为了促进基于身份识别的检测研究，作者还提出了一个名为 “Vox-DeepFake” 的大规模数据集和一个简单身份检测算法 “OuterFace”。

Dec, 2020

研究了 deepfake 检测器的泛化能力，发现现有模型难以适应未经训练的 deepfakes 数据集，但鉴于它们普遍学习合成方法的特定属性并难以提取区分特征，发现有神经元对已见和未见数据集都起到检测作用，为实现零样本泛化能力指明了可能的方向。

Aug, 2023

通过增量学习和领域不变表示，以及基于多角度知识蒸馏方法的特征级和标签级正则化，我们的研究提出了一种新型增强型 deepfake 检测模型，通过选择中心和困难样本来更新回放集，并取得了 7.01 的平均遗忘率和 85.49 的平均准确率。

Sep, 2023

通过对深度伪造图像的产生和检测进行深入研究，本论文提出了一种全面的深度伪造图像生成与识别的方法。在我们的研究中，我们创建了一个名为 DeepFakeFace (DFF) 的数据集，用于训练和测试检测深度伪造图像的算法。我们进行了对 DFF 数据集的全面评估，并提出了两种评估方法来测试深度伪造识别工具的强度和适应性。根据我们的发现，不同的深度伪造方法和图像变化产生了多种结果，突显了对深度伪造检测器的需求。我们的 DFF 数据集和测试旨在促进更有效的抵御深度伪造的工具的发展。

Sep, 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

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

本研究开发了 IDistill 方法，利用自编码器学习域信息，并将其精炼为分类器，以便教会它分离身份信息。在三个数据库中它超越了其他方法，并在另外两个数据库中表现出竞争力，有望用于预防生物测量系统攻击中的模拟攻击。

Jun, 2023

通过提取多个非重叠的局部表征并将它们融合成全局的语义丰富特征，凭借信息瓶颈理论派生局部信息损失，保证局部表征的正交性同时保留全面的任务相关信息，通过互信息的理论分析得到全局信息损失，最终达到融合局部表征并且去除任务无关信息的目的，实证结果在五个基准数据集上取得了最新的性能，我们的代码可以在 https://github.com/QingyuLiu/Exposing-the-Deception 访问，希望能够激发研究人员的灵感。

Mar, 2024