通过综述现有的 deepfake 生成和检测技术，本文分析了基于深度学习的 deepfake 创建方法和检测技术，并讨论了当前的 deepfake 检测方法的局限性和挑战，以及未来的研究方向，强调了对 deepfake 检测技术持续研究和发展的重要性，以应对 deepfake 对社会的负面影响，并确保数字视觉媒体的完整性。

Sep, 2023

提出了一个更可靠的评估框架来评估在更现实的情境下学习型 deepfake 检测器的性能，并量化其对不同处理操作的鲁棒性，同时设计了一个基于真实处理操作驱动的随机退化数据增强方法，显著提高了 deepfake 检测器的鲁棒性。

Apr, 2023

该研究提出了一个名为 DeepfakeBench 的全面基准测试，旨在解决当前深度伪造检测领域中存在的数据处理流程，评估指标和方法缺乏统一标准的问题，从而促进该领域的进一步研究和发展。

Jul, 2023

本综述分析了视觉媒体完整性验证的方法，着重于探讨深度伪造现象和现代数据驱动的法医分析方法，以揭示现有取证工具的限制、相关问题、挑战和未来研究方向。

Jan, 2020

本研究对最新的深度伪造检测器进行了广泛综述和分析，评估了它们在几个关键标准下的表现，并将它们分类成四个高水平组和十三个细粒度子组，进一步提供了关于影响检测器有效性的因素的深入实际见解。通过考察 16 个主要检测器在多种标准攻击场景下的普适性，包括黑盒、白盒和灰盒设置，系统性的分析和实验为对抗各种攻击场景的深度伪造检测器的研究奠定了基础，并为制定更积极的防御策略提供了启示。

Jan, 2024

这篇论文展示了对真实音频数据集和假重建数据集进行分类器训练的可能性与出乎意料的容易程度，达到了 99.8% 的令人信服的准确率，标志着音乐深度伪造检测器的首次发表。然而，通过对其他领域伪造检测的几十年文献的了解，我们强调一个好的测试得分并不是故事的结束，而且指出部署的检测器可能存在的问题与未来研究方向。

May, 2024

DeepFidelity 和 SSAAFormer 是一种新的深度伪造检测框架和网络结构，能够自适应地区分具有不同图像质量的真实和伪造人脸图像，并在多个基准数据集上展现出优势。

Dec, 2023

本研究旨在建立一个全面且一致的基准，开发一个可重复的评估流程，通过对一系列检测方法的性能进行测量，建立基准，比较深度伪造检测方法并测量进展。研究采用超过 13 种不同方法生成的操纵样本集，实现并评估了 11 种流行的检测方法（9 种算法），并使用 6 个公正实用的评估指标进行评估。最终，训练了 92 个模型并进行了 644 个实验，结果以及共享的数据和评估方法构成了一项用于比较深度伪造检测方法并衡量进展的基准。

Mar, 2022

本文综述了现有工具和基于机器学习的方法，用于深度伪造（Deepfake）的生成和检测，并讨论了目前的公共数据集和对技术进行性能评估的关键标准，强调了未来研究的方向。

Feb, 2021

本文简要介绍了图像处理、深度伪造技术以及用于检测这些技术的方法和数据集。

May, 2022