本篇论文旨在通过 ArtiFact 大型数据集以及多分类分类方案和滤波步幅缩减策略，检测来自已知和未知生成器的合成图像，以增强合成图像探测器的泛化和鲁棒性。结果表明，该方案在 IEEE VIP Cup ICIP 2022 挑战赛上取得了明显的优势。

Feb, 2023

本文提出了一种新的数据集 WildDeepfake，用于支持深度学习的 DeepFake 检测器在网络上对真实世界中的 DeepFakes 进行更好地检测，通过对其进行多维度评估，展示了其在检测性能方面的优越性，并提出了基于注意力机制的 ADDNets 以便更好地实现检测。

Jan, 2021

该论文介绍了 GenImage 数据集，该数据集拥有超过 100 万对人工智能生成的假图像和真实图像，且具有丰富的图像内容和最先进的生成器，通过该数据集，研究人员可以有效加快相对于现有方法的优越人工智能生成图像检测器的开发和评估。

Jun, 2023

基于人工智能图像生成的技术不断提升，产生更具逼真性且视觉缺陷较少的图像。这些图像被用于创建虚假在线账户，用于垃圾邮件、欺诈和虚假信息传播活动。本研究聚焦于区分真实的面部和基于人工智能生成的面部，以解决使用伪造用户头像的非真实在线账户检测问题。通过仅关注面部，我们展示了一种更具有弹性和通用性的工件，可以检测来自各种生成对抗网络和扩散基础合成引擎的人工智能生成面部，同时适用于多种图像分辨率（低至 128 x 128 像素）和质量。

Nov, 2023

本文介绍了 DeepfakeArt Challenge，这是一个大规模的挑战基准数据集，旨在帮助构建生成 AI 艺术伪造和数据污染检测的机器学习算法。该数据集包括超过 32,000 个记录，涵盖了多种生成伪造和数据污染技术。

Jun, 2023

通过评估 AI 工具和模型在检测深度伪造方面的有效性，该研究研究了这些模型是否能够准确识别看起来人工制作的真实图像。通过创建一个包含 510 个具有虚假外观的真实图像的数据集，并使用两种 AI 模型进行评估。研究结果显示，这两个模型在我们的数据集上表现不佳。此外，我们的数据集可以作为评估深度学习模型理解复杂视觉刺激能力的有价值工具。我们期望这项研究将在该领域激发进一步的讨论和研究。我们的数据集可以在此 https 网址上获取。

Oct, 2023

通过学习真实图像的自然特征，利用监督对比学习的方法，我们的研究提出了一种探测器，针对虚假图像中的伪像纹理的变化进行检测，并在广泛的实验证明了其在未知伪造技术的泛化和对不同变换的鲁棒性方面的显著优势。

Mar, 2024

使用合成数据，基于计算机视觉，通过卷积神经网络和可解释的 AI 技术实现对人眼难以区分真实照片和 AI 生成的图片的分类，最终建立的 CIFAKE 数据集对于未来的研究工作提供了有价值的资源。

Mar, 2023

利用机器学习技术来区分 AI 生成的合成图像和真实图像，通过优化深度学习模型和对比实验结果表明，深度学习模型可以更准确地识别合成图像，进一步推动数字媒体可信度及 AI 生成内容的伦理和技术探索。

Jan, 2024

该研究讨论了使用生成图像模型检测人工内容的紧迫性，并指出当前的数据集中存在与 JPEG 压缩和图像大小相关的偏差。研究还展示了去除这些偏差对 JPEG 压缩的鲁棒性和评估检测器的不同生成器间性能的显著影响，其中 ResNet50 和 Swin-T 检测器在 GenImage 数据集上的不同生成器间性能提高了超过 11 个百分点，达到了最先进的结果。

Mar, 2024