通过建立一个综合基准测试来评估最先进的检测器的泛化能力和鲁棒性，然后通过频域分析伪造痕迹来得出各种见解，并进一步证明使用频率表示训练的检测器可以很好地泛化到其他未见的生成模型。
Feb, 2024
本文提出了一种基于无标注的合成数据的无监督人脸识别模型 (USynthFace)，该模型使用大量的几何和颜色变换以及基于 GAN 的数据增强来训练，实现了相对较高的识别精度。
Nov, 2022
通过使用跨媒体聚焦损失函数分析频率和可见光谱中的信息，我们提出了一种用于检测完全合成面部图像的多通道架构，并与几种使用二进制交叉熵训练的相关架构进行比较，在跨模型实验中展示了受跨媒体聚焦损失函数监督的所提出的架构通常具有最具竞争力的性能。
Nov, 2023
本文提出了一种基于卷积神经网络集成的合成图像检测器，利用两个主要思想解决检测新的图像生成器的常见情况，结果表明这种方法提高了在 NVIDIA 的新生成 StyleGAN3 图像上的检测准确性。
Mar, 2022
本文系统介绍了传统方法和深度学习方法，尤其是生成对抗网络（GAN）在面部合成方面的应用及其对身份保护的重要性，并讨论未解决的困难和未来研究方向。
Jun, 2017
探索合成人脸图像检测的实验研究。我们收集了一个称为 FF5 的数据集，包括近期的扩散模型，发现一个简单的模型在区分合成和真实图像方面能够达到近乎完美的准确率。该模型通过使用数据增强来处理常见的图像失真（降低分辨率、压缩）。此外，我们通过简单的 YOLO 架构模型识别了合成图像被修复到真实图像中的部分篡改，并定位了篡改区域。然而，该模型存在易受对抗性攻击的问题，并且对未见过的生成器无法泛化。我们还测试了最近的最先进方法在经过微调的 StabilityAI 的 Stable Diffusion 图像生成器上无法泛化来检测由新一代生成器产生的图像。
Jun, 2024
这篇论文主要讨论了利用少量样本进行图像变化检测的问题，并通过使用简单的图像处理方法生成合成但具有信息量的数据集并设计了基于目标检测的早期融合网络来解决数据集不足导致的泛化能力差的问题。研究结果表明，使用合成数据训练的模型具有更好的泛化能力，且在此基础上利用少量样本进行微调能够获得优秀的结果。
本文提出了一种使用基于 StyleGAN 的层次结构算法生成现实匿名合成人脸数据集的有效方法，用于测试人脸分类系统的性能，表明使用生成的合成粉刺脸图像训练 CNN 分类器可以取得 97.6% 的准确率。
提出了一种基于融合的策略来检测面部图像合成，同时提供对多种攻击的弹性保护。该策略通过使用多个未公开的模型计算的输出的后期融合，依靠随机多项式系数和指数来隐藏新的特征空间，而无需量化，从而有助于保留特征空间，并在抵御污染、扰动、后门和反向模型攻击方面达到最先进的性能。
Jan, 2024
本文探讨了在不同概念类之间泛化的挑战，并提出了一种基于质量评估模型的质量抽样方法，通过 StyleGAN2 和 Latent Diffusion 生成的图像进行实验，结果表明采用本文提出的方法可以提高合成图像检测器的检测性能。
Apr, 2023