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
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
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
对深度伪造生成和检测的最新发展进行了综合回顾和分析，并讨论了该领域的当前状态，主要集中在深度伪造生成和检测技术框架的发展，以及人脸交换、脸部再现、说话人脸生成和面部属性编辑等主流深度伪造领域的研究，并评估了各领域中的代表性方法和最新的研究成果，最后分析了该领域的挑战与未来研究方向。
Mar, 2024
本文旨在探讨生成深度学习算法如何创作和侦测 Deepfakes，并提供对其工作原理的深入了解以及当前领域的趋势和进展、目前防御解决方案的不足之处以及需要进一步研究和关注的领域。
Apr, 2020
本文研究针对深度伪造技术的威胁，提出了一种在表征层面上辅助音频和视觉融合的多模态深度伪造检测方法，通过使用模态不变和特定的表 征确保保留表示真实或伪造内容的共同模式和每个模态的特定模式，实验证明该方法相比于单模态和多模态音 视频深度伪造检测的最先进方法能够提高 17.8% 和 18.4% 的准确性。
该文章调查了深度伪造技术的算法及检测方法，并讨论了相关挑战、研究方向与发展趋势。
Sep, 2019
针对如今深度学习技术生成的深度伪造技术的滥用所带来的严重安全和隐私问题，本研究提出了 FakeAVCeleb 这一包含视频和相应的合成唇同步伪造音频的新型多模态 Audio-Video Deepfake 数据集，其有助于打破现存音频和视频上的种族偏见，进一步帮助发展多模态深度伪造检测器。
Aug, 2021
本论文旨在探讨不同的方法学以实现具有更高准确度的低成本模型，以检测 Deepfake，并解决数据集的泛化问题。
Apr, 2023
深度伪造检测与防御研究方向的关键词有：深度伪造、检测、防御、生成模型和对抗攻击。
Apr, 2024