用高质量 Deepfake 欺骗现有最先进的 Deepfake 检测技术
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
在本文中，我们使用基于 GAN 的开源软件从 VidTIMIT 数据库的视频生成 Deepfake 视频，调整不同的训练和混合参数对生成视频的质量有显著影响，并表明当前的人脸识别系统和现有的检测方法都很容易受到 Deepfake 视频的干扰。
Dec, 2018
本文介绍了一种利用经典的频域分析和基本分类器检测深度伪造图片（DeepFakes）的简单方法，使用少量标记样本即可达到 100％的分类准确性，并在 CelebA 数据集和 FaceForensics ++ 数据集上进行了实验证明了该算法的高准确性。
Nov, 2019
本研究对最新的深度伪造检测器进行了广泛综述和分析，评估了它们在几个关键标准下的表现，并将它们分类成四个高水平组和十三个细粒度子组，进一步提供了关于影响检测器有效性的因素的深入实际见解。通过考察 16 个主要检测器在多种标准攻击场景下的普适性，包括黑盒、白盒和灰盒设置，系统性的分析和实验为对抗各种攻击场景的深度伪造检测器的研究奠定了基础，并为制定更积极的防御策略提供了启示。
Jan, 2024
本文综述了现有工具和基于机器学习的方法，用于深度伪造（Deepfake）的生成和检测，并讨论了目前的公共数据集和对技术进行性能评估的关键标准，强调了未来研究的方向。
Feb, 2021
本研究以黑盒方式对当今最先进的 DeepFake 检测方法进行批判性漏洞研究，旨在提高其鲁棒性，包括对抗攻击和使用通用对抗样本进行更容易的攻击。该研究还在 DeepFake 检测挑战赛的获奖入口上进行了评估，并证明了它们可以很容易地被跨模型攻击所绕过。
Nov, 2020
提出了一种主动可持续的深度伪造训练增强解决方案，将人工指纹引入模型中，通过采用池化自编码器的整体学习方法，模仿深度伪造模型引入的伪造效果，实验结果表明，我们提出的整体自编码器数据增强学习方法在泛化能力方面有所提升，并抵抗基本数据扰动，如噪声、模糊、锐化增强和仿射变换，对常用的有损压缩算法，如 JPEG，具有强大的鲁棒性，并增强对抗攻击的抵抗能力。
Mar, 2024
本研究使用深度强化学习与卷积神经网络相结合，设计了一种新的深度伪造检测算法，通过统计每张测试图像的各种增强方法的分类分数来检测深度伪造的图片，实验证明该方法在跨数据集的泛化性能方面优于现有的模型，并获得最先进的性能。
Apr, 2022
本文提出了一种新的数据集 WildDeepfake，用于支持深度学习的 DeepFake 检测器在网络上对真实世界中的 DeepFakes 进行更好地检测，通过对其进行多维度评估，展示了其在检测性能方面的优越性，并提出了基于注意力机制的 ADDNets 以便更好地实现检测。
Jan, 2021