利用注意机制改善学习到的特征图，提高二分类（真实脸或伪造脸）的准确性和可视化处理后的伪造部位，通过大规模数据库的实验，证明了注意机制在人脸伪造检测和定位的有效性。

Oct, 2019

本文设计了一个使用多任务学习方法的卷积神经网络用于同时检测和定位查询的篡改图像和视频以及使用半监督学习方法来提高网络的泛化能力，实验表明该网络对面部重现攻击和面部交换攻击很有效，并能处理以前从未见过的攻击。

Jun, 2019

本研究提出了一个新的框架，专门针对多脸伪造检测，填补了当前研究中的重要空白。该框架主要包括两个模块：（一）面部关系学习模块，为图像中的每个面生成可区分的局部特征；（二）全局特征聚合模块，利用全局和局部信息之间的相互约束来提高伪造检测的准确性。我们在两个公开的多脸伪造数据集上的实验结果表明，所提出的方法在多脸伪造检测场景中达到了最先进的性能。

Oct, 2023

本文提出了一种通过局部关系学习来检测面部伪造的新方法，其中使用了多尺度补丁相似性模块 (MPSM) 来测量局部区域特征的相似性，并形成了一个强大且泛化的相似性模式。此外，本文提出了 RGB-Frequency Attention Module (RFAM) 来融合 RGB 和频率领域的信息进行更全面的局部特征表示，进一步提高了相似性模式的可靠性。广泛的实验证明了该方法在广泛使用的基准测试中始终优于最先进的技术。此外，详细的可视化展示了我们方法的鲁棒性和可解释性。

May, 2021

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

本论文提出一种基于注意力机制的数据增广框架，用于改善卷积神经网络在伪造人脸检测中关注面部有限区域的现象，通过跟踪和遮蔽 Top-N 敏感面部区域，鼓励检测器深入挖掘以前忽略的区域，从而达到指出不同操纵技术生成的伪造面孔的表现最好的检测器训练效果，同时我们的方法能够轻松集成到各种 CNN 模型中。

Apr, 2021

图像伪造检测的新方法 FOrensic ContrAstive cLustering (FOCAL) 基于对比学习和无监督聚类，通过像素级对比学习指导高级取证特征提取，使用实时无监督聚类算法将学习到的特征聚类为伪造 / 原始类别，并通过特征级连接进一步提高检测性能，对六个公共测试数据集进行广泛实验证明了 FOCAL 明显优于现有竞争算法。

Aug, 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

利用基于深度学习的技术来鉴别伪造的面部操作视频，特别是针对基于强制仿射变换的面部偏移位移轨迹进行提取和多维度的神经病网络构建，其中虚拟锚点和时空图注意力和门控循环单元成功检测出现多重伪造训练数据集中的假视频，该方法表现出了竞争力。

Dec, 2022

本研究提出了一种基于真实对话视频的假脸检测技术，通过跨模态自监督学习得到时序稠密视频表示，鼓励假脸检测器基于面部运动、表情和身份等因素做出真 / 假决策，并在交叉操作泛化和鲁棒性实验中取得了最先进的表现。

Jan, 2022