利用注意机制改善学习到的特征图，提高二分类（真实脸或伪造脸）的准确性和可视化处理后的伪造部位，通过大规模数据库的实验，证明了注意机制在人脸伪造检测和定位的有效性。

Oct, 2019

提出了一种新颖的基于频率的人脸伪造检测网络F3-Net，通过感知频率分解图像分量和局部频率统计信息相结合的策略深度挖掘伪造模式，能够有效应对压缩图像和视频中的人脸伪造问题。在FaceForensics++数据集上，F3-Net在所有压缩质量下均显著优于同类方法。

Jul, 2020

构建了最大的公共面部伪造数据集ForgeryNet，涉及2.9百万张图片和221,247个视频，在图像和视频级数据上包含4个任务：图像伪造分类、空间伪造定位、视频伪造分类、和时间伪造定位，提供了对面部鉴定算法的完整评价。

Mar, 2021

本研究提出了一种基于真实对话视频的假脸检测技术，通过跨模态自监督学习得到时序稠密视频表示，鼓励假脸检测器基于面部运动、表情和身份等因素做出真/假决策，并在交叉操作泛化和鲁棒性实验中取得了最先进的表现。

Jan, 2022

本文提出了一种基于协同特征学习的方法，用于同时检测图像篡改和分割篡改组件，此方法可以更好地捕捉人脸区域的人工痕迹，并且在检测和分割方面均优于现有方法。

Apr, 2023

通过提出一种新的注意一致性加工频伪造表示模型以实现人脸伪造检测算法的泛化能力，本文在多个公共人脸伪造数据集上的实验证明了该方法相对于现有技术的卓越性能。

Jul, 2023

本研究提出了一个新的框架，专门针对多脸伪造检测，填补了当前研究中的重要空白。该框架主要包括两个模块：（一）面部关系学习模块，为图像中的每个面生成可区分的局部特征；（二）全局特征聚合模块，利用全局和局部信息之间的相互约束来提高伪造检测的准确性。我们在两个公开的多脸伪造数据集上的实验结果表明，所提出的方法在多脸伪造检测场景中达到了最先进的性能。

Oct, 2023

我们提出了一个大规模、多样化且高保真度的数据集GenFace，用于推动深度伪造检测的发展，该数据集包含了由先进生成器生成的大量伪造人脸，如扩散模型，并提供了有关操作方法和采用生成器的更详细的标签。此外，我们设计了一种创新的跨外观边缘学习（CAEL）检测器，用于捕获多粒度的外观和边缘全局表示，并检测具有区分性和普遍的伪造痕迹。此外，我们设计了外观-边缘交叉注意力（AECA）模块，以探索两个域之间的各种整合。广泛的实验结果和可视化显示，我们的检测模型在跨生成器、跨伪造和跨数据集评估等不同设置下优于最先进的模型。

Feb, 2024

通过定义改变语义脸部属性以超过人类辨别阈值的计算方法，构建一个大型脸部伪造图像数据集，并提出了一个以语义为导向的脸部伪造检测方法，展示了该数据集在揭示当前检测器的弱点以及提高其泛化能力方面的优越性。

May, 2024

本研究提出“取证适配器”，旨在将CLIP转变为有效且通用的人脸伪造检测器。该方法通过学习伪造特征并针对特定任务进行适配，实现了对CLIP的充分利用，最终在多个标准数据集上平均提升了约7%的性能，具有重要的实用意义。

Nov, 2024