本综述分析了视觉媒体完整性验证的方法，着重于探讨深度伪造现象和现代数据驱动的法医分析方法，以揭示现有取证工具的限制、相关问题、挑战和未来研究方向。

Jan, 2020

使用深度学习模型对多媒体数据进行篡改检测，本文关注公开可用的恶意篡改检测基准数据集的详细分析，提供了一份全面的篡改线索和常用的深度学习架构清单，并讨论了当前最先进的篡改检测方法，将其分为深度伪造检测方法、拼接篡改检测方法、复制和移动篡改检测方法等，讨论了它们的优势和弱点。文章还讨论了在基准数据集上取得的最佳结果，将深度学习方法与传统方法进行比较，并提供了最近篡改检测方法的关键见解。最后，讨论了研究的空白、未来方向和结论，以提供对篡改检测研究领域的深入理解。

Jan, 2024

本文分析了数字图像取证的现状及其面对新技术的挑战，提出了评估图像取证的新方法，并进行了实验以测试不同取证痕迹下的图像组合技术，证明取证研究虽不知晓先进的图像合成技术，但具备基本工具可检测。

Jan, 2016

本研究提出了一种方法，对社交媒体进行灵活的支持，特别是在紧急情况下的社交媒体分析，基于自动化数据处理的工具可用于筛选、分类和地理位置标记内容，同时杂交方法支持人工数据分析师的反馈和建议，从民众中收集输入。通过 Euroopean 项目中的三个案例研究进行结果验证。

Aug, 2022

本研究探讨采用神经成像管道 end-to-end 优化整个图像采集和处理流程，以便提供可靠的取证分析。本研究的实验表明，所提出的方法将图像操纵检测准确率从 45% 提高到了超过 90％，这为进一步研究构建具有显式取证保证属性的更可靠的成像管道提供了鼓励。

Dec, 2018

本研究提出 BioFors 数据集，用于基于图像的生物医学研究文件的篡改检测。该数据集分为四类图像，并针对外部复制检测、内部复制检测和剪切 / 锐变检测提出了三种任务，对其中的所有任务进行了测试并评估了现有算法的表现。结果表明，现有的算法在应用于生物医学图像时不够强大，需要更多的研究来解决生物医学图像取证领域的独特挑战。

Aug, 2021

人工智能和机器学习技术在数字取证和事件响应中的应用以及其所涉及的研究领域和主题进行了彻底的分析，揭示了其在数据收集与恢复、网络犯罪时间线重建、大数据分析、模式识别和确保物证链的安全、并针对黑客事件进行响应策略方面的关键作用和局限性。

Sep, 2023

社交媒体平台可以迅速向不同的受众传播 STEM 内容，但其运作方式可能令人费解。我们使用开源机器学习方法，如聚类、回归和情感分析，分析了来自 6 个社交媒体 STEM 创作者的 1000 多个视频及其指标。我们的数据提供了关于受众如何产生兴趣信号（点赞、收藏、评论、分享）的见解，不同信号与观看量之间的相关性，以及新创作者的内容如何被传播。我们还通过分析仅限内容创作者可获取的数据以及对评论进行情感分析，分享了优化传播的见解。

Apr, 2024

该论文介绍了一个通过从社交媒体网站获取包含多个成对图像 / 视频和文本的帖子以及包含图像 / 视频和 / 或文本的评论树来实现多模态学习的新的可公开获取的数据集，并提供了基线性能分析，适用于图像字幕、情感分析和预训练模型等多项任务。

Jun, 2020

通过引入新的半百万级别的面部操作数据集，本文提出了对诸如经典图像取证分类、分割、以及众多优化方法进行基准测试、鉴定的处理任务，包括压缩不同质量级别下的视频，并达到超越现有所有视频操纵数据集一个数量级的状态，旨在通过根据目标制作难以区分的赝品来进行基准评估。

Mar, 2018