在这篇论文中，我们调查了超过318篇研究论文，从DeepFake生成、检测以及逃避检测等方面，提供了全面的概述和详细分析，包括各种DeepFake生成方法和各种DeepFake检测方法的分类，同时展示了DeepFake生成和DeepFake检测之间的交互作用，并设计了交互式图表以探索研究人员自己在流行的DeepFake生成器或检测器上的兴趣。

Feb, 2021

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

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

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

本文提出了一种新型深度伪造检测方法，利用Vision Transformer、Scaling and Shifting pretraining以及Timeseries Transformer 分割视频，实现对视频帧的完整性检测，此方法能够高效地检测现有的深度伪造技术。

May, 2023

通过综述现有的deepfake生成和检测技术，本文分析了基于深度学习的deepfake创建方法和检测技术，并讨论了当前的deepfake检测方法的局限性和挑战，以及未来的研究方向，强调了对deepfake检测技术持续研究和发展的重要性，以应对deepfake对社会的负面影响，并确保数字视觉媒体的完整性。

Sep, 2023

我们介绍了一种新的无监督方法，通过测量多模态特征（特别是视觉、音频和身份特征）之间的内部和跨模态一致性来检测深度伪造视频，通过广泛的实验验证了我们的方法，在深度伪造视频中存在显著的内部和跨模态不一致性，可以高精度地检测出它们，并能够通过人工专家核实检测结果。

Nov, 2023

人们对深度伪造视频的感知能力进行主观研究，结果显示机器学习模型相对于人类在同样的40个视频上有更好的表现，而人们又往往高估了自己的检测能力。这一研究结果有助于对比人类和机器的性能、推进法医分析，并实现自适应对策。

May, 2024

通过对深度伪造检测方法的综述研究，本论文提供了面向人脸为中心的深度伪造技术的分类、检测方法的演化以及适应新的生成模型的挑战，并探索了提高深度伪造检测器的可靠性和稳健性的方向。

Jun, 2024

本研究解决了深度伪造技术带来的伦理和安全风险，重点在于深度伪造媒体的检测和鉴别。论文介绍了主要的检测算法及其优缺点，并展望了未来的研究方向，强调了在真实场景中的应用挑战。这项研究的成果为提高深度伪造的鉴别能力和保护信息真实性提供了重要的参考。

Aug, 2024