该文研究了多样本领域深度伪造检测模型的泛化能力，提出了一个广义多场景深伪检测框架，并通过领域对齐损失强制调整模型以表示多个数据集中的特定和共同的真实 / 伪造特征。在多源数据上进行的定性和定量实验表明了该方法的有效性。

Jun, 2024

提出了一种名为 Selective Domain-Invariant Feature (SDIF) 的新型框架，通过融合内容特征和样式来减少对面部伪造的敏感性，并使用动态特征提取模块生成具有多样样式的特征，最终使用领域分离策略来帮助区分真实和伪造的面部。在现有基准和提案中的定性和定量结果证明了我们方法的有效性。

Mar, 2024

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

通过提取多个非重叠的局部表征并将它们融合成全局的语义丰富特征，凭借信息瓶颈理论派生局部信息损失，保证局部表征的正交性同时保留全面的任务相关信息，通过互信息的理论分析得到全局信息损失，最终达到融合局部表征并且去除任务无关信息的目的，实证结果在五个基准数据集上取得了最新的性能，我们的代码可以在 https://github.com/QingyuLiu/Exposing-the-Deception 访问，希望能够激发研究人员的灵感。

Mar, 2024

通过同时考虑特征、损失和优化方面，我们提出了第一个在深度假像检测中解决公平性泛化问题的方法，采用解缠学习提取人口统计和领域无关的伪造特征，并将它们融合在一起，以在交叉领域的深度假像检测中鼓励公平学习。在知名深度假像数据集上进行的广泛实验证明了我们方法在保持公平性方面的有效性，超过了现有技术水平。

Feb, 2024

本文介绍了一种新的增量知识蒸馏策略来解决 Data-Free Class-Incremental Learning（DFCIL）的问题，该策略通过修改交叉熵训练和重要性加权特征蒸馏，提高了 DFCIL 的准确率，并在公共课程增量基准测试中表现出优异的性能。

Jun, 2021

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

本文介绍了一种利用经典的频域分析和基本分类器检测深度伪造图片（DeepFakes）的简单方法，使用少量标记样本即可达到 100％的分类准确性，并在 CelebA 数据集和 FaceForensics ++ 数据集上进行了实验证明了该算法的高准确性。

Nov, 2019

通过在 Foundation Models 中加入富信息，利用了 CLIP 的图像编码器和 Facial Component Guidance 以提高 Deepfake 检测的鲁棒性和泛化性能。在跨数据集的评估中，我们的方法在识别未见过的 Deepfake 样本方面表现出卓越的有效性，并取得了显著的性能提升。

Apr, 2024

利用主动合成的伪造图像进行深度学习的泛化辨别，提出了一种新的深度伪造检测方法，该方法使用一种泛化表示，并通过增加伪造的多样性和扩展敏感性来提高检测效果，采用了对抗训练策略，能获得更好的性能表现。

Mar, 2022