针对使用 CNN 合成图像与图像编辑两个领域生成的图像伪造属性差异巨大，难以实现统一的图像伪造检测和定位（IFDL）挑战，我们提出了一种分层细粒度的 IFDL 表示学习方法，其中包括多分支特征提取器，定位和分类模块，能够有效地检测并在像素级和图像级别上定位和分类伪造区域。

Mar, 2023

本文提出了一个新的多注意力深度伪造检测网络，该网络通过引入区域独立的损失和基于注意力的数据增强策略来解决学习难度问题，并在多个数据集上展示了该方法在检测深度伪造方面的优越性。

Mar, 2021

现有的高分辨率卫星图像伪造定位方法都依赖于基于块或基于降采样的训练，而这两种方法都存在一些缺陷，例如伪造区域和原始区域之间的边界不准确以及生成不需要的伪影等。为了解决上述挑战，受高分辨率图像分割技术的启发，我们提出了一种名为 HRFNet 的新型模型，能够有效地定位卫星图像中的伪造。具体来说，我们的模型配备了浅层和深层分支，可以在全局和局部方式上成功地结合 RGB 和重采样特征，从而更准确地定位伪造。我们进行了各种实验来证明我们的方法在性能方面最佳，同时与现有方法相比并不牺牲内存需求和处理速度。

Jul, 2023

本研究提出了一种使用文本到图像生成过程中的残差网络和内容网络结合的检测方法以及跨多头注意机制来检测 AI 产生的虚假图片，并取得了优于传统 CG 检测技术的结果。

Jun, 2023

基于 Segment Anything Model 的 Detect Any Deepfakes (DADF)，通过 Reconstruction Guided Attention 模块优化了端到端的伪造检测和定位，在三个基准数据集上都取得了优秀的表现。

Jun, 2023

近年来，文件处理蓬勃发展并带来了众多好处。然而，被报告的伪造文件图像案例显著增加。特别是深度神经网络（DNN）在生成任务方面的最新进展可能加剧文件伪造的威胁。我们验证了传统的针对使用普遍的复制 - 移动方法创建的伪造文件图像的方法对 DNN 方法创建的伪造文件图像不适用。为了解决这个问题，我们构建了一个名为 FD-VIED 的文件伪造图像的训练数据集，通过模拟可能的攻击，如文本添加、删除和替换，使用最新的 DNN 方法。此外，我们通过自监督学习的方式引入了一种有效的预训练方法，包括自然图像和文档图像。在我们的实验证明，我们的方法提高了检测性能。

Nov, 2023

本论文提出一种新颖的门控上下文注意网络（GCA-Net），使用非局部注意机制和门控机制捕捉图像不一致特征，以更好地识别图像中伪造的区域。经过标准图像取证测试，该方法相对于最先进的网络平均值提高了 4.7% 的 AUC，并且对归因具有鲁棒性，并且对误报具有抗性。

Dec, 2021

本论文提出一种基于注意力机制的数据增广框架，用于改善卷积神经网络在伪造人脸检测中关注面部有限区域的现象，通过跟踪和遮蔽 Top-N 敏感面部区域，鼓励检测器深入挖掘以前忽略的区域，从而达到指出不同操纵技术生成的伪造面孔的表现最好的检测器训练效果，同时我们的方法能够轻松集成到各种 CNN 模型中。

Apr, 2021

通过创新的双流网络、多功能模块和半监督补丁相似性学习策略，本研究在深伪检测领域取得了显著的改进，通过六个基准测试表明具有较强的鲁棒性和普适性，并在深伪检测挑战预览数据集上将帧级 AUC 从 0.797 提高至 0.835，将 CelebDF_v1 数据集上的视频级 AUC 从 0.811 提高至 0.847。

Sep, 2023

提出了一种基于 Transformers 的图像伪造定位方法 TransForensics，结合密集自注意力编码器和密集校正模块用于模拟全局上下文和不同尺度下的本地补丁之间的所有成对相互作用，该方法不仅可以捕捉有区分性的表示并获得高质量的蒙版预测，而且不受篡改类型和补丁序列顺序的限制，在主要基准测试中表现优于现有的现有方法。

Aug, 2021