鉴于当前人脸操作技术能够轻松生成逼真的假脸，其潜在的恶意滥用引起了广泛关注。然而，现有方法只专注于检测单步人脸操作。随着易于获取的人脸编辑应用的出现，人们能够通过多步操作来轻松修改面部组件。这一新威胁要求我们检测人脸操纵的连续序列，这对于检测深度伪造媒体和恢复原始面孔至关重要。因此，我们提出了一个新的研究问题，称为检测顺序深度伪造操纵 (Seq-DeepFake)。与现有的仅要求二元标签预测的深度伪造检测任务不同，检测 Seq-DeepFake 操纵需要正确预测一系列面部操作的顺序向量。为了支持大规模调查，我们构建了第一个 Seq-DeepFake 数据集，其中面部图像被顺序操纵，并具有相应的顺序面部操作向量注释。基于这个新数据集，我们将检测 Seq-DeepFake 操纵转化为一项特定的图像到序列的任务，并提出了简洁而有效的 Seq-DeepFake Transformer (SeqFakeFormer)。为了更好地反映真实世界的深度伪造数据分布，我们在原始 Seq-DeepFake 数据集上进一步应用了各种扰动，构建了更具挑战性的带有扰动的顺序深度伪造数据集 (Seq-DeepFake-P)。为了在面对 Seq-DeepFake-P 时更深入地挖掘图像和序列之间的相关性，我们设计了一种专用的 Seq-DeepFake Transformer with Image-Sequence Reasoning (SeqFakeFormer++)，它为更强大的 Seq-DeepFake 检测建立了图像 - 序列对之间更强的对应关系。

Sep, 2023

文章重点提出了一个名为 Seq-DeepFake 的新颖研究问题，即在检测 deepfake 媒体和恢复原始面孔之后，需要检测一系列面部操作。通过构建第一个 Seq-DeepFake 数据集，并将其作为一种特定的图像到序列任务，提出了一个简洁有效的 Seq-DeepFake Transformer 模型，并建立了全面的评估方法。实验证明了该模型的有效性。

Jul, 2022

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

本文提出了一种利用深度学习自动有效地检测视频中人脸篡改的方法，并集中研究了最近使用的两种生成超逼真伪造视频的技术：Deepfake 和 Face2Face。通过提出的两个网络，在现有数据集和网络视频数据集上测试，检测率分别达到 98% 和 95% 以及相当成功。

Sep, 2018

本文提出了一个新的多注意力深度伪造检测网络，该网络通过引入区域独立的损失和基于注意力的数据增强策略来解决学习难度问题，并在多个数据集上展示了该方法在检测深度伪造方面的优越性。

Mar, 2021

本文提出了一种使用 ensembles 方法来判断现代面部操作技术的视频序列的面部操作检测的解决方案，该方案使用了基于卷积神经网络的不同模型，并结合了 EfficientNetB4、注意力层和连体训练等不同概念，针对以上两个概念结合的模型，本文在两个公开数据集上测试得出了令人期待的结果。

Apr, 2020

通过生成合成的混合图像并利用多尺度特征重建网络，实现更好的跨操作检测和跨数据集检测性能。

Dec, 2023

通过创新的双流网络、多功能模块和半监督补丁相似性学习策略，本研究在深伪检测领域取得了显著的改进，通过六个基准测试表明具有较强的鲁棒性和普适性，并在深伪检测挑战预览数据集上将帧级 AUC 从 0.797 提高至 0.835，将 CelebDF_v1 数据集上的视频级 AUC 从 0.811 提高至 0.847。

Sep, 2023

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