本文介绍了一种新颖的多视角深度学习方法 MVSS-Net 和其增强版 MVSS-Net++，通过同时利用图像临界位置和输入图像的噪声视图进行特征学习，可实现对图像的普适性篡改检测，并通过实验显示表现优秀，且在 JPEG 压缩、高斯模糊和截屏重拍等情况下更具鲁棒性。

Dec, 2021

本研究提出了一种新的网络 MVSS-Net，通过多视角特征学习和多尺度监督，从噪声分布和边界伪影等方面解决了图像操作检测中的敏感性和特异性问题，并在五个基准测试集上进行了广泛实验验证。

Apr, 2021

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

提出了一种多视角像素对比算法（MPC）来进行图像伪造定位，通过预训练主干网络和微调定位头，增强像素定位器，并在不同规模的训练数据集上进行广泛实验证明该方法具有更高的泛化性能和对后期处理的鲁棒性。

Jun, 2024

提出一种 Progressive Spatio-Channel Correlation Network (PSCC-Net) 框架来检测和定位图像篡改，结合多尺度、特征交叉和局部全局特征提取，以及 Spatio-Channel Correlation Module (SCCM) 综合特征等技术，PSCC-Net 在图像篡改检测和定位方面的表现优于现有算法。

Mar, 2021

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

本文提出了一种新颖的、面向频率的、区分特征学习框架，包括单中心损失和自适应频率特征生成模块，可以有效地检测和抵御面部伪造攻击。在 FF ++ 数据集上的实验结果表明了该框架的有效性和优越性。

Mar, 2021

本文提出了一种名为多尺度卷积特征融合 (MSCFF) 的基于深度学习的云检测方法，使用对称编码器 - 解码器模块提取多尺度和高级别空间特征，然后设计了一种多尺度特征融合模块，将不同尺度的特征合并，并获得了比传统基于规则的云检测方法和最先进的深度学习模型更高的精度，尤其在覆盖明亮表面区域上。

Oct, 2018

提出了一种名为 Multi-Collaboration and Multi-Supervision Network (MMNet) 的方法，用于处理伪造的人脸图像中的各种空间尺度和顺序排列，并在不需要相关操作方法知识的情况下实现恢复，同时提出了一种名为 Complete Sequence Matching (CSM) 的新的评估指标，反映了在多个推断步骤中检测完整伪造序列的能力。在多个典型数据集上的广泛实验表明，MMNet 在检测性能和独立恢复性能方面达到了最先进的水平。

Jul, 2023

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