该论文提出了一种针对未知生成器的异常检测视角下的对抗式师生差异感知框架，通过采用对抗学习训练特征增强器，促使真实图像与教师模型之间的输出差异较小，而假图像的输出差异较大，从而解决了未知生成器检测问题。实验结果在公共基准测试中达到了最先进水平，可视化结果显示在面对各种类型的生成器时仍能保持较大的输出差异。

Dec, 2023

本文提出了一种生成重影图的方法，该图与给定图在许多图属性上相似，但难以用于反向工程，这种方法是图表示学习，生成的对抗网络和图实现算法的组合。通过与几个图生成模型的比较，我们证明了我们的结果几乎不能复制给定的图，但却与其属性密切匹配。我们进一步展示，对于生成的图进行节点分类等下游任务时，其性能类似于使用原始图的性能。

Jan, 2021

通过分析当前 GAN 人脸检测的研究方向和方法，本文对深度学习、物理学、生理学以及与人类视觉性能的评估和比较等方法进行了分类，总结出不同类别的关键思路并与其具体实现相联系，讨论了存在的问题并提出了未来研究方向。

Feb, 2022

本文是深度生成模型应用于图生成任务方面的综述，介绍了深度生成模型的定义与预备知识，无条件图生成与条件图生成的分类、评估度量指标和深度图生成的应用，并提出了五个未来研究方向。

Jul, 2020

该研究介绍了一种深假检测框架，利用自监督预训练模型提供出色的泛化能力，能够应对常见的扭曲并解释模型的决策，实验证明该框架的有效性超过当前最先进方法。

Jul, 2023

通过建立一个综合基准测试来评估最先进的检测器的泛化能力和鲁棒性，然后通过频域分析伪造痕迹来得出各种见解，并进一步证明使用频率表示训练的检测器可以很好地泛化到其他未见的生成模型。

Feb, 2024

深度伪造检测与防御研究方向的关键词有：深度伪造、检测、防御、生成模型和对抗攻击。

Apr, 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

本文介绍了如何利用合成图形进行基准测试，以深入研究不同类型的图学习算法科学性能，研究结果显示我们的框架为无监督和有监督图神经网络模型提供了洞见。

Apr, 2022

通过图论和深度学习的方法对基于图的假新闻检测进行系统的综述，将现有方法分类为知识驱动、传播驱动和异构社交环境驱动的方法，并讨论了图论假新闻检测中的挑战和未来研究方向。

Jul, 2023