我们提出了第一个生成图检测框架，通过四种分类场景探索了一系列复杂模型的性能，证明了这些模型都能够成功检测到生成的图，并且具有一定的稳健性和普适性，从而能够有效地遏制生成图的恶意滥用与虚假传播。

Jun, 2023

该研究探讨了有效的基于人工智能生成视频的检测方案，通过使用两个分支的时空卷积神经网络来捕捉取证迹象，对视频的空间和光流异常进行分析，通过融合子检测器的结果来提高判别能力，并构建了一个大规模生成的视频数据集作为模型训练和评估的基准。

Mar, 2024

本文介绍了用于 AI 生成视频检测的广泛视频数据集 GenVidDet 和一种创新有效的方法 Dual-Branch 3D Transformer，该方法能够以 96.77% 的准确率区分真实视频和生成视频内容，并对未知类型具有较强的泛化能力。

May, 2024

本文构建了一个视频数据集，使用先进的扩散式视频生成算法和多种语义内容，并采用 typcial video lossy 操作生成退化样本。随后，通过分析当前 AI 生成视频的局部和全局时间缺陷，构建了一个新的检测框架，通过自适应学习局部运动信息和全局外观变化来暴露伪造视频。最后，进行实验评估了不同空间和时间域检测方法的泛化性和鲁棒性，结果可以作为基线，并展示未来研究的挑战。

May, 2024

该研究提出基于扩散模型的视频生成方法，通过隐式条件建模来模拟运动效果，并提出多种策略来优化生成视频的质量。实验证明，该方法在 FVD 得分和视觉质量方面明显优于现有的以生成对抗网络为基础的方法。

Dec, 2022

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

通过综述深假视频生成与检测，强调需要有效的对抗措施应对潜在滥用。提供当前深假生成技术的综合概述，包括人脸交换、再现和音频驱动动画等。此外，分析了各种不同的检测方法，从视觉痕迹到跨视频和音频信号的不一致性。检测方法的有效性严重依赖于用于训练和评估的多样性和质量数据集。强调需要不断研究合作、评估指标标准化和创建全面基准。

Jul, 2024

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

通过对视觉生成 AI 模型进行广泛评估，我们发现当输入提示包含角色的名称或其特征的描述时，最先进的视觉生成模型能够生成与主要娱乐公司（如索尼、漫威和任天堂）持有的知识产权相似的内容，由此引发潜在的法律担忧。为了减轻此类知识产权侵权问题，我们提出一种防御方法，通过在扩散过程中利用引导技术，开发了一种修订生成范例，这种范例能够识别可能侵权的生成内容，并在整个扩散过程中减轻侵权行为，而无需重新训练或微调预训练模型。对 Spider-Man、Iron Man 和 Superman 等知名角色的实验表明了所提出的防御方法的有效性。

Jun, 2024

该论文提出了一种针对未知生成器的异常检测视角下的对抗式师生差异感知框架，通过采用对抗学习训练特征增强器，促使真实图像与教师模型之间的输出差异较小，而假图像的输出差异较大，从而解决了未知生成器检测问题。实验结果在公共基准测试中达到了最先进水平，可视化结果显示在面对各种类型的生成器时仍能保持较大的输出差异。

Dec, 2023