在图像伪造不断更新的现今，卷积神经网络和自编码结构的Forensic-Transfer方法可以提高图像伪造检测的可迁移性并显著提高性能。
Dec, 2018
使用面部假冒技术制造的可信度问题日益增加，提出了一种利用 RGB 和粒度细微频率提示的渐进增强学习框架来解决这个问题，实验结果表明，该方法优于现有的面部伪造检测方法。
Dec, 2021
针对人脸篡改技术的面部伪造检测方法，提出了一种用于增强不同表现形式下的一致性的学习框架（CORE），该框架基于卷积神经网络，通过正则化追求更一致的表示以进行更准确的伪造检测。
Jun, 2022
本篇论文通过「分离」视觉信息的方法，提出了一种有效解决深度超假的问题的框架，着重考虑了针对具体伪造方法（网络结构、训练数据等）的「过拟合」问题以及如何发现「通用伪造特征」作为泛化的基础。
Apr, 2023
本文提出了一种用于人脸伪造检测的深度学习模型，能够同时检测空域和时域伪像，在训练过程中分别学习这两种伪像的特征，结合了多个视频层级数据增强方法，可提高模型泛化性能，并在未见过的操作和数据集上显著优于现有方法。
Jul, 2023
通过提出一种新的注意一致性加工频伪造表示模型以实现人脸伪造检测算法的泛化能力，本文在多个公共人脸伪造数据集上的实验证明了该方法相对于现有技术的卓越性能。
通过自我监督学习的实现，该论文提出了一种自我监督变压器协同对比和重建学习 (CoReST) 方法，该方法首先仅在真实人脸视频上进行自我监督预训练，然后在特定的人脸伪造视频数据集上用线性头进行微调，通过引入对比和重建学习的辅助任务来增强表示学习，同时引入领域适应性重建模块来弥合不同伪造领域之间的差距，实验结果表明，该方法在公共数据集上的表现比现有的有监督竞争方法更好，并具有令人印象深刻的泛化性能。
Sep, 2023
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
通过定义改变语义脸部属性以超过人类辨别阈值的计算方法，构建一个大型脸部伪造图像数据集，并提出了一个以语义为导向的脸部伪造检测方法，展示了该数据集在揭示当前检测器的弱点以及提高其泛化能力方面的优越性。
May, 2024
本研究解决了开放集人脸伪造检测中的安全威胁与现有检测模型的局限，尤其是无法跨未知伪造领域泛化和适应新数据的问题。通过提出一种新的伪造风格混合方案，增强了模型在未见领域的泛化能力，同时开发了一种基于轻量级视觉变换器的检测模型，实现了参数高效的训练策略，显著减少了可训练参数，并获得了最先进的泛化性能。
Aug, 2024