本文提出了一种新的算法来训练公平的 deepfake detection model，以解决使用偏见的数据训练深度学习模型可能会导致不公平表现的问题。实验结果表明，该方法可以提高 deepfake detection 的公平性和鲁棒性。

Jun, 2023

本文提出了一个关于面部和医学图像的基准测试，并介绍了一个新的谐波公平（HF) 得分来综合地评估每个模型在准确性和公正性方面与参考基线相比的情况。实验结果发现，CD 方法比最先进的公平算法更能有效地解决模型公理问题。综上所述，我们的工作为计算机视觉中的公平性问题提供了更系统的分析方法。

Mar, 2023

研究发现最近深度学习模型容易出现以种族和性别等保护类别为基础的歧视。通过使用平衡的脸部数据集，探究三种常见的深度伪造检测器在保护子群体上的性能差异，发现预测性能在种族之间存在很大的差异，该研究还发现一些方法可能会导致伪造影响保护子群体，并造成检测器出现系统性别种族歧视。

May, 2021

本文建立了一个性别平衡且标注了性别标签的深度伪造数据集，用于解决当前深度学习伪造检测器在性别上表现差异导致的不公平问题。分析结果表明，当前普遍采用的深度伪造检测器在大多数情况下男性的表现优于女性的表现。

Jul, 2022

本文通过领域自适应问题提出了新的理论和建模方法，为在新数据少的目标领域中改善公平性提供了解决方案，实证结果证明该方法能够较少数据的情况下改善公平指标

Jun, 2019

该文研究了多样本领域深度伪造检测模型的泛化能力，提出了一个广义多场景深伪检测框架，并通过领域对齐损失强制调整模型以表示多个数据集中的特定和共同的真实 / 伪造特征。在多源数据上进行的定性和定量实验表明了该方法的有效性。

Jun, 2024

通过增量学习和领域不变表示，以及基于多角度知识蒸馏方法的特征级和标签级正则化，我们的研究提出了一种新型增强型 deepfake 检测模型，通过选择中心和困难样本来更新回放集，并取得了 7.01 的平均遗忘率和 85.49 的平均准确率。

Sep, 2023

研究了 deepfake 检测器的泛化能力，发现现有模型难以适应未经训练的 deepfakes 数据集，但鉴于它们普遍学习合成方法的特定属性并难以提取区分特征，发现有神经元对已见和未见数据集都起到检测作用，为实现零样本泛化能力指明了可能的方向。

Aug, 2023

本篇论文通过「分离」视觉信息的方法，提出了一种有效解决深度超假的问题的框架，着重考虑了针对具体伪造方法（网络结构、训练数据等）的「过拟合」问题以及如何发现「通用伪造特征」作为泛化的基础。

Apr, 2023

本文提出了一种使用 CNN 框架利用目标领域的稀疏标记数据来改善人脸防欺骗模型跨数据集测试性能的方法，实验结果表明仅使用少量标记样本即可显著提高模型的泛化能力。

Jan, 2019