自从出现以来，Deepfakes 代表了网络安全与数字取证领域中最棘手的挑战之一。在最近几年，研究人员发现，生成模型在合成数据中留下了独特的痕迹，如果详细分析和确定，可以利用这些痕迹来改善现有 Deepfake 检测器的泛化能力。本文通过在频域中分析 Deepfake 图像，详细研究了离散余弦变换 (DCT) 的 beta-AC 系数。我们认识到并假设不是所有系数对图像识别的贡献都相同，推测每种图像都嵌入了特定系数组合的唯一 “辨别指纹”。为了识别它们，我们使用机器学习分类器训练了各种系数组合。将可解释 AI (LIME) 算法与神经分类器相结合，探索了系数的替代组合，可以更深入地了解合成图像的辨别特征。实验结果揭示了使用特定的 beta-AC 系数组合以改善生成模型留下的痕迹分析的巨大潜力。

Feb, 2024

本研究使用深度学习方法基于整个人脸和人脸补丁进行真 / 假图像的检测，主要应用于 DeepFake 技术的防范以及保障个人图像、视频等信息的原始性，实验结果表明，使用 patches 的加权可以提高准确性。

Apr, 2023

本文重点研究了现有 DeepFake 检测框架的局限性和缺陷，通过现有方法和数据集的定量和定性分析，发现 deepfake 数据集过度扩充，容易导致过度拟合，而提出的数据增强方法（面部切除）能够成功改善数据变化并缓解过度拟合问题。

Feb, 2021

该研究旨在针对利用深度学习工具生成人脸的 Deepfake 现象，提出新的检测方法。提出的该算法基于期望最大化算法，提取了一组特定的局部特征来建模卷积生成过程，经实验验证有效地区分了不同的架构和相应的生成过程。

Apr, 2020

通过综述现有的 deepfake 生成和检测技术，本文分析了基于深度学习的 deepfake 创建方法和检测技术，并讨论了当前的 deepfake 检测方法的局限性和挑战，以及未来的研究方向，强调了对 deepfake 检测技术持续研究和发展的重要性，以应对 deepfake 对社会的负面影响，并确保数字视觉媒体的完整性。

Sep, 2023

本文提出了一种新型深度伪造检测方法，利用 Vision Transformer、Scaling and Shifting pretraining 以及 Timeseries Transformer 分割视频，实现对视频帧的完整性检测，此方法能够高效地检测现有的深度伪造技术。

May, 2023

该研究对第一代和第二代 DeepFake 进行了详尽的面部区域和伪造检测性能分析，在最新的 DeepFake 数据库的第二代中，即使是最强大的最先进的伪造检测器也无法达到理想的结果，证明了进一步研究开发更精密的伪造检测器的必要性。

Apr, 2020

在本文中，我们使用基于 GAN 的开源软件从 VidTIMIT 数据库的视频生成 Deepfake 视频，调整不同的训练和混合参数对生成视频的质量有显著影响，并表明当前的人脸识别系统和现有的检测方法都很容易受到 Deepfake 视频的干扰。

Dec, 2018

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

通过对深度伪造图像的产生和检测进行深入研究，本论文提出了一种全面的深度伪造图像生成与识别的方法。在我们的研究中，我们创建了一个名为 DeepFakeFace (DFF) 的数据集，用于训练和测试检测深度伪造图像的算法。我们进行了对 DFF 数据集的全面评估，并提出了两种评估方法来测试深度伪造识别工具的强度和适应性。根据我们的发现，不同的深度伪造方法和图像变化产生了多种结果，突显了对深度伪造检测器的需求。我们的 DFF 数据集和测试旨在促进更有效的抵御深度伪造的工具的发展。

Sep, 2023