本研究首次学习GAN指纹以进行图像归属，并使用它们将图像分类为真实或GAN生成。实验表明，GAN生成的图像具有稳定的指纹，指纹细调有效防御五种类型的对抗性图像扰动，并且得出结论指出我们学习到的指纹在各种设置中一致优于几个基线。

Nov, 2018

本文首次研究深度伪造网络架构归属问题，并提出了一种名为DNA-Det的有效解决方案，在多个交叉测试设置和大规模数据集上的广泛实验证明了其有效性。

Feb, 2022

通过学习生成模型留下来的残留特征作为身份信息，进一步确定人工指纹的表示的生成模型，并提出了基于集合编码和对比训练的新学习方法，通过与最先进的指纹方法的比较和消融研究，得到了稳定性和可归属性的改进。

Jun, 2022

本研究提出了一种基于GAN指纹技术的解决方案，名为RepMix，具备追溯GAN生成的图像来源、能够匹配不同的图像且抗干扰变换，并在semantic归纳和稳健性方面明显优于现有的GAN指纹技术。

Jul, 2022

本文旨在了解人们无法将由扩散模型产生的合成图像与原始图像区分开来的难度，并研究当前的最先进检测器是否适用于此任务。

Nov, 2022

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

通过度量学习的方法，我们提出了一种用于实现开放集场景下合成图像源追溯的技术，该技术通过学习可区分不同生成器的可转移嵌入向量，并通过与已知生成器的学习参考点在嵌入空间中的距离来判定图像的真实性。实验结果表明，我们的方法能够在开放集场景下成功追溯合成图像的源。

Aug, 2023

本文研究的问题是可广泛适用的合成图像检测，旨在检测来自各种生成方法，例如GAN和扩散模型的伪造图像。研究发现，传统的固定模式不利于学习伪造表示，因此提出了一种新颖的伪造感知自适应变压器方法，即FatFormer。经过实验验证，FatFormer在未见过的GAN和扩散模型上表现出色，检测性能平均达到98%和95%的准确率。

Dec, 2023

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

在本文中，我们研究了在只有少量由源模型生成的图像可用且无法访问源模型的实际环境中，识别生成图像的来源模型的问题。我们提出了一种基于CLIP的少样本单类别分类框架OCC-CLIP，可以在多个候选模型中辨别一个图像的来源模型。通过与各种生成模型对应的大量实验证实了我们的OCC-CLIP框架的有效性。此外，基于最近发布的DALL-E 3 API的实验验证了我们解决方案的实际应用性。

Apr, 2024