深度伪造是通过人工智能生成的媒体，其中图像或视频经过数字修改。本研究提出了一种基于音视频的深度伪造检测方法，将细粒度的深度伪造识别与二元分类结合，增强了在域内和跨域测试下的检测能力。

Oct, 2023

采用多模态投票型方法，利用图像、声音和语言特征进行自动欺骗检测，实验结果表明该方法优于现有技术。

Jun, 2023

本文研究了使用双领域对抗学习算法来解决音频视觉显著性预测中源域数据分布不一致与目标域数据性能降解问题，其方法包括建立与对齐声学特征分布、跨模态自注意力模块融合声学特征至视觉特征、降低视觉特征及融合后的音视频相关性中的领域差异等。实验结果说明该方法可以缓解由领域差异导致的性能下降问题。

Aug, 2022

本文提出了一种简单却难以超越的多模态神经模型，通过结合来自不同模态的特征，例如视频、音频、文本和微表情，我们证明了在现实生活视频中检测欺骗可以更加准确。在真实生活欺骗视频数据集上的实验结果表明，我们的模型在欺骗检测方面的准确率达到了 96.14％，ROC-AUC 为 0.9799。

Mar, 2018

该篇研究通过使用最新的深度伪造音频和视频数据集（FakeAVCeleb）进行了详细的基准实验，得出结论：单模态深度伪造检测方法仅仅能够适应单个媒体类型，仅使用视频或音频来检测不够理想，最佳的检测方法是集成式检测方法。

Sep, 2021

提出一种针对真实法庭审判视频中隐蔽自动欺诈检测的系统，该系统利用从图像、声音和文本三个层面得到的低级和高级特征预测人类微表情，其中，IDT 特征 和 MFCC 特征也对系统性能提供了重要帮助，系统在经过交叉验证的数据集上的 AUC 为 0.877，优于现有接近最优的方法，同时也提供了一个用户研究，分析一般人在这个任务上的表现。

Dec, 2017

该研究针对深度伪造音视频的检测模型的挑战，提出了一种具有多模态融合和一类学习表示级正则化技术的方法，以解决方法的泛化问题和确保模型的可解释性。实验证明该方法对未见攻击的检测平均改进了 7.31%，同时提供了模型对伪造模态的识别结果。

Jun, 2024

通过跨模态学习方法的视听特征融合，我们提出了一种用于改进深假检测的两阶段方法，可以明确地捕捉音频和视觉模态之间的对应关系，并在真实和伪造视频上进行监督学习，取得了 98.6% 的准确率和 99.1% 的 AUC，相较于当前的音视混合最先进技术，准确率和 AUC 分别提高了 14.9% 和 9.9%。

Jun, 2024

通过使用五种先进的零样本文本转语音模型生成超过 300 小时的语音数据，构建了一个新的跨领域的 ADD 数据集。通过新颖的攻击增强训练方法，Wav2Vec2-large 模型和 Whisper-medium 模型分别获得了 4.1％和 6.5％的等误差率，展示了出色的少样本 ADD 能力。然而，神经编解码器压缩技术对检测准确性产生重大影响，需要进一步研究。

Apr, 2024

本研究介绍了一个名为 DOLOS 的数据集并使用其进行欺骗检测研究，使用多任务学习和跨模态融合模块进行性能提升。

Mar, 2023