DiffusionFace 是第一个基于扩散的面部伪造数据集，包括各种伪造类别，包括无条件和文本引导面部图像生成，Img2Img，修复和基于扩散的面部交换算法。数据集具有广泛的 11 个扩散模型和生成图像的高质量，为评估提供必要的元数据和来自现实世界的网络源伪造面部图像的数据集。此外，我们对数据进行深入分析，并引入实际评估协议以严格评估鉴别模型在检测假冒面部图像方面的有效性，旨在增强面部图像验证过程中的安全性。数据集可从 https://github.com/Rapisurazurite/DiffFace 下载。

Mar, 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

通过生成式 AI 和扩散模型，我们引入了两个广泛的生成伪造数据集，用于测试当前深伪造检测器的脆弱性，并提出了增强训练数据多样性和动量困难提升策略来改进模型的普适性。通过全面评估，我们的模型优化方法明显优于以前的替代方案。

Apr, 2024

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

利用定性和定量指标以及用户研究，本论文主要研究了生成模型在面部图像生成中的有效性和不足之处，并提出了一个框架来审核生成的面部图像的特征。通过对最先进的文本到图像扩散模型生成的面部进行应用，我们发现面部图像生成存在的限制包括对文本提示的忠实度、人口统计不平衡和分布偏移。此外，我们还提出了一种分析模型，以了解训练数据选择如何影响生成模型的性能。

Sep, 2023

该研究提出了一种基于条件潜在扩散模型的新方法 (IDiff-Face)，用于合成身份生成，以实现面部识别训练中的逼真身份变化，通过广泛评估，该合成基础的面部识别方法在 Labeled Faces in the Wild (LFW) 基准测试上实现了 98.00% 的准确率，远超最近的合成基础面部识别解决方案的 95.40%，并填补了与基于真实数据的面部识别准确率为 99.82% 之间的差距。

Aug, 2023

本研究探讨了单图 Deepfake 检测器对最新生成方法之一，去噪扩散模型（DDM）的攻击的脆弱性，并在 FaceForensics ++ 数据集上进行了测试，结果表明单个去噪扩散步骤可以显著降低所有经过测试检测器的准确性而不引入明显的视觉变化

Jul, 2023

通过提取扩散模型知识，我们提出了一种快速的深假检测模型，旨在创建一个小型、快速、廉价和轻量级的扩散合成深假检测器，以显著降低操作需求并保持稳健性能。

Jun, 2024

本文旨在了解人们无法将由扩散模型产生的合成图像与原始图像区分开来的难度，并研究当前的最先进检测器是否适用于此任务。

Nov, 2022

本论文提出了 GANDiffFace，一种结合生成对抗网络（GAN）和扩散模型的新型框架，用于为人脸识别生成具有高度真实感的合成数据集，以克服现有合成数据集的局限性，特别是 GAN 提供的有限化内类别变化，进而增强内类别变化。

May, 2023