文章提出了一种名为 Dual Contrastive Learning (DCL) 的新颖人脸伪造检测框架，该框架结合了硬样本选择策略和不同粒度的对比学习，并通过构建正负对数据从而学习通用特征表示。实验结果表明了我们方法的泛化性能超越了现有技术水平。

Dec, 2021

本文提出了一种基于显示抑制背景噪声和学习多尺度可区分特征的方法，将人脸伪造检测问题归纳为细粒度分类问题，并在不同数据集和伪造技术的实验场景中实验证明了方法的优越性。

Oct, 2023

通过无监督领域自适应的新解决方案，DomainForensics，从已知伪造品向新伪造品传递伪造知识，通过领域差异的对齐捕捉新伪造品的知识，既考虑前向适应也考虑后向适应，在前向适应中，通过有监督训练在已知伪造品中提升 DeepFake 检测器的能力，并通过对新伪造品进行对抗特征适应传递伪造识别能力，而在后向适应中，通过对抗适应和自我蒸馏提高知识传递效果，使检测器能够从未标记数据中揭示新伪造特征并避免遗忘已知伪造知识。

Dec, 2023

通过引入细粒度提示和粗细联合训练框架，提出了一种名为视觉语言人脸伪造检测（VLFFD）的新范式，以解决针对深度伪造的检测模型缺乏语义信息和解释性的问题，并在多个具有挑战性的基准测试中证明了该方法对现有的检测模型有所改进。

Jul, 2023

本文针对社交媒体中伪造脸部的困扰，进行了综合研究，首次创建了一个大规模数据集 OpenForensics，并利用其丰富注释，评估了各种情景下的最新实例检测和分割方法的效果，以推动深度伪造的预防和人脸检测等方面的研究。

Jul, 2021

本研究提出了一个新的框架，专门针对多脸伪造检测，填补了当前研究中的重要空白。该框架主要包括两个模块：（一）面部关系学习模块，为图像中的每个面生成可区分的局部特征；（二）全局特征聚合模块，利用全局和局部信息之间的相互约束来提高伪造检测的准确性。我们在两个公开的多脸伪造数据集上的实验结果表明，所提出的方法在多脸伪造检测场景中达到了最先进的性能。

Oct, 2023

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

使用面部假冒技术制造的可信度问题日益增加，提出了一种利用 RGB 和粒度细微频率提示的渐进增强学习框架来解决这个问题，实验结果表明，该方法优于现有的面部伪造检测方法。

Dec, 2021

本文介绍了一种新的关键伪造挖掘（CFM）框架，其中包含多种骨干，在提高它们的泛化性能和鲁棒性能方面拥有灵活性，以此解决面对脸部伪造检测的问题。通过实例和局部相似性感知损失，细粒度三元组和增强数据，精细关系学习原型，以及新颖的渐进式学习控制器，该方法在各种挑战性的评估设置下具有最先进的伪造检测性能。

Apr, 2023

利用决策导向攻击和频率线索，我们提出了一种新的人脸伪造攻击方法，具有高查询效率和保证图像质量，在 FaceForensics++、CelebDF 和工业 API 上实现了攻击性能的最新突破，同时揭示了人脸伪造检测器的安全问题。

Oct, 2023