本篇文章提出了一种通过浅层重构假图像的方式，称为FakePolisher，旨在通过学习的线性字典有效地减少图像合成过程中引入的伪影模式，从而显著降低3种先进的伪造图像检测方法的准确性。

Jun, 2020

提出了一种针对深度伪造技术(Fake技术)的视觉数据的伪造检测算法，通过重新合成测试图像并提取视觉线索进行检测，该方法包括超分辨率、降噪和上色。该方法具有较高的检测效率、交叉GAN(Cross-GAN)泛化以及对CelebA-HQ、FFHQ和LSUN数据集的扰动鲁棒性。

May, 2021

本研究通过对各种不同类型图像生成器的系统研究，探寻真实与虚假图像之间最具法医学意义的特征，发现合成图像中出现了可见的傅里叶域信号缺陷，以及自相关中出现的异常规律图案，并且当用于训练模型的数据集缺乏足够的多样性时，其偏见会转移到生成的图像中，观察了人造图像与真实图像之间较高频率信号内容的显著差异。

Apr, 2023

对学术出版物和社交媒体进行了大量文献综述，发现了图像生成模型的5个定性缺陷，通过了解这些失败，可以识别这些模型需要改进的领域以及发展深度伪造检测策略。

Mar, 2023

利用机器学习技术来区分 AI 生成的合成图像和真实图像，通过优化深度学习模型和对比实验结果表明，深度学习模型可以更准确地识别合成图像，进一步推动数字媒体可信度及 AI 生成内容的伦理和技术探索。

Jan, 2024

通过学习真实图像的自然特征，利用监督对比学习的方法，我们的研究提出了一种探测器，针对虚假图像中的伪像纹理的变化进行检测，并在广泛的实验证明了其在未知伪造技术的泛化和对不同变换的鲁棒性方面的显著优势。

Mar, 2024

通过分析真实深度伪造和合成面部图像，我们探索了趋势和模式，发现深度学习模型更容易检测合成面部图像，ViT Patch-16模型在这个任务中表现最佳，敏感性、特异性、精确度和准确度分别为97.37％，98.69％，97.48％和98.25％。这个分析可以帮助我们构建更好的面部图像生成算法，并证明合成、深度伪造和真实脸部图像确实是三个不同的类别。

Apr, 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

该研究综述了关于合成图像的检测和归因方法，突出了它们的优点和局限性，同时指出并讨论了该领域的热门话题，概述了未来研究的有希望的方向。

Apr, 2024

本研究针对合成图像与真实照片的辨别问题，揭示了生成扩散模型在创建合成图像时所产生的可见伪影。我们对这些伪影进行了分类和实例展示，并讨论了检测所面临的挑战，以及本研究的实际应用和未来研究方向。

Aug, 2024