该研究提出了第一个强大的身份感知水印框架，可以主动地进行检测和源追踪来对抗 Deepfake 人脸交换，并在不同数据集和处理设置下展示了最先进的性能。

Nov, 2023

本文介绍了一种基于对抗性蒙版的身份保护技术（TIP-IM），该技术可以在保证视觉效果的情况下，对个人照片进行加密以保护用户的数据隐私。实验结果表明，TIP-IM 在不同实际测试场景下，能够提供超过 95% 的保护成功率，证明其在商业 API 服务中的实用性和有效性。

Mar, 2020

本文讨论了利用图像标记进行 DeepFake 的来源追踪的潜力，并提出了一种名为 FakeTagger 的基于深度学习的方法，该方法可以将嵌入的消息以高置信度恢复到面部图像中，可以有效地保护个人照片不被 DeepFaked。

Sep, 2020

该研究提出了一种基于深度学习的半脆弱水印技术，该技术通过验证嵌入在图像像素中的隐秘信息来实现媒体身份验证，可以抵抗面部操纵和篡改，同时也是鲁棒的，可以保持图像在顺利处理后的真实性。

Apr, 2022

通过生成可被人类感知的图像，本研究在保护模型准确推断的同时，回避其他类似或不同目标的非授权黑盒模型，以实现实际的隐私保护。

Feb, 2024

DeepFidelity 和 SSAAFormer 是一种新的深度伪造检测框架和网络结构，能够自适应地区分具有不同图像质量的真实和伪造人脸图像，并在多个基准数据集上展现出优势。

Dec, 2023

该研究介绍了三种人脸访问模型，使用深假面替换未经批准的面孔，并提出了适用于此任务的新度量标准，通过在真实数据集和两个合成数据集上测试，证明了该系统的有效性，并对相似性度量、深假面生成器和数据集进行了广泛分析。

Nov, 2022

本文提出了一种有效的隐私保护学习范式，通过对图像进行加密以实现人类不可察觉机器可识别，将这一方法应用于图像分类和目标检测，在 ImageNet 和 COCO 数据集上实验结果表明，这种方法可以实现与现有方法相当的准确性且能够确保加密图像的隐私安全。

Jun, 2023

PuFace 是一种图像净化系统，利用神经网络的泛化能力通过将带有面部覆盖的图像推向自然（不带覆盖的）图像的流形，减小覆盖的影响，并通过特别放大的覆盖图像进行训练，成功地防御了两种先进的面部覆盖攻击，将攻击成功率从 69.84％降低到 7.61％，而不降低各种面部识别模型的正常准确性。此外，PuFace 是一种与模型无关的防御机制，可应用于任何面部识别模型而不修改模型结构。

Jun, 2024

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