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

通过实验分析外观、运动和几何等方面，在外观、运动和几何等方面对比了真实世界的视频和由先进 AI 模型生成的视频，揭示了真实世界视频与合成视频之间的差距，并提出了集成外观、光流和深度信息的专家集合模型以进行假视频检测，提高了鲁棒性和泛化能力。

Jun, 2024

生成式人工智能的最新进展已经导致了生成视觉逼真合成视频的技术的发展。本文证明合成图像检测器无法检测合成视频，因为合成视频生成器引入的痕迹与图像生成器留下的痕迹明显不同。尽管如此，我们展示了合成视频痕迹是可以学习的，并且可以在 H.264 重新压缩后用于可靠的合成视频检测或生成器来源归因。此外，我们还证明了通过零样本迁移进行新生成器的视频检测具有挑战性，但可以通过少样本学习实现对新生成器的准确检测。

Apr, 2024

给予广泛传播的虚假信息的忧虑，我们引入了第一个人工智能生成视频检测数据集 GenVideo，其中包括超过一百万个人工智能生成的视频和真实视频，以及针对现实场景的评估方法和增强检测器的模块 DeMamba，这将显著推进人工智能生成视频检测领域。

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

通过构建大规模评估基准 DeepFaceGen，本研究从多个角度评估和分析 13 种主流人脸伪造检测技术的性能，并通过广泛的实验分析得出重要发现并提出未来研究的潜在方向。

Jun, 2024

本文提出了一种用于检测由多个最先进的生成模型合成的视频的新框架，通过 CNN + LSTM 架构从扩散模型中提取显式知识的表征，并且在域内视频上实现了 93.7% 的检测准确率，并使域外视频的准确率提高了 16 个百分点。

Jun, 2024

本文提出了一种名为 DVD-GAN 的新模型，在复杂的 Kinetics-600 数据集上训练了大量生成对抗网络，成功地生成了高度复杂和逼真的视频图像。该模型通过对其鉴别器进行计算上的简化，可以扩展到更长和更高分辨率的视频中，并且在视频合成和预测方面取得了最新的最先进技术。

Jul, 2019

本文探讨了生成对抗网络 (GANs)，将神经隐式表示与时间感知区别器相结合，发展了一种 GAN 框架，仅用单目视频合成了 3D 视频，能够学习可分解的 3D 结构和运动的丰富嵌入，实现了新的时空渲染视觉效果，同时也能产生与现有 3D 或视频 GANs 相媲美的图像质量。

Jun, 2022

在本文中，我们使用基于 GAN 的开源软件从 VidTIMIT 数据库的视频生成 Deepfake 视频，调整不同的训练和混合参数对生成视频的质量有显著影响，并表明当前的人脸识别系统和现有的检测方法都很容易受到 Deepfake 视频的干扰。

Dec, 2018