利用HYPE生成照片的新的人类基准检测，可以有效的度量生成模型的真实性，通过随机采样的视觉输出测量视觉知觉的门限，可以排除众多启发式或预训练的词嵌入的错误干扰，并且能够有效监测出训练过程中模型的任何细微变化，且模型性能排名能保持一致性和可复制性。

Apr, 2019

该研究探究了在合成图像检测中使用人工智能支持的人类操作员与使用传统方法训练的模型的效果比较，结果发现人工智能在训练时使用的人类指导会提供更好的图像分类支持。同时，向人类操作员提供合成图像检测模型的决策或热点映射可以提高模型的分类准确性并增加人类操作员的信任感，从而提高人类操作员与人工智能合作的效果。

Aug, 2022

本研究探究当前最先进的基于人工智能技术的视觉内容生成模型是否可以始终欺骗人类眼睛和传达错误信息，并通过高质量的定量研究揭示，人类不能在很大程度上区分真实的照片和人工智能创造的虚假照片。

Apr, 2023

我们提出了一个实验方法来测量人脸识别系统中的偏见，使用神经人脸生成器生成合成人脸，改变感兴趣的属性而保持其他属性不变，并通过人类观察者提供关于感知身份相似性的真实数据，验证了该方法在种族和性别方面的偏见，同时提供了大规模的合成数据集，可用于相关领域的研究。

Aug, 2023

通过人类语义知识和眼动实验研究假图像检测的可能性，结果显示人们在感知伪造样本时倾向于关注图像的更局部区域，与观看真实图像时更分散的观察模式形成对比。

Mar, 2024

合成媒体对人类日常生活具有很高的欺骗性，人类的感知检测能力不再是有效的对抗手段。

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

人工智能的生成性进展使真实和机器生成的内容之间的界限变得模糊，尤其在社交媒体上使用AI生成的图片来伪造个人资料。我们进行了首次大规模调查，研究发现Twitter上的AI生成头像占总头像数量的0.052％。我们对这些账户及其推文内容进行了全面分析，并揭示了协同不真实行为的模式。研究结果还揭示了垃圾邮件和政治放大战略等多种动机。这一研究结果再次证实了需要制定有效的检测和缓解策略来应对未来生成性人工智能可能带来的负面影响。

Apr, 2024

这篇研究论文介绍了一种指南，帮助读者更好地识别AI生成图像中的伪造和不合理之处，以区分真实照片和AI生成图像。

Jun, 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