- DF40：迈向下一代深度伪造检测
我们提出了一个全新的综合基准来革新当前的深度伪造检测领域，主要是通过研究训练数据集和测试数据集对现实世界中存在的各种真实多样的深度伪造进行综合评估。
- 现实世界中的实时深伪检测
该研究论文介绍了 “局部感知深度伪造检测算法”（LaDeDa），该算法使用单个 9x9 图像块作为输入，并输出其深度伪造得分。利用图像块级别的信息，LaDeDa 显著提高了检测的准确性，在当前基准测试中达到了约 99% 的平均准确率。此外， - 由单模态向多模态人脸 Deepfake 检测的发展：一项调查
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。
- CVPR超越谎言：使用二进制神经网络的实时深假识别
采用二进制神经网络（BNNs）进行实时图像深伪造检测，以提高效率并取得较高准确率，在频域和纹理域探测操纵痕迹，性能优于现有方法，并显著减少运算量。
- 基于文本模态的图像特征提取用于检测基于扩散的深度伪造
通过传统图像编码器提取的特征分析发现，无论是低级特征还是高级特征都对于识别不同扩散方法制作的 DeepFake 图像具有独特的优势。受到这一发现的启发，我们旨在开发一种有效的表示方法，以捕捉低级和高级特征来检测基于扩散的 DeepFakes - 利用流浪学习捕捉面部伪造的模糊异常
本研究提出了一种名为 “偏离学习” 的方法，通过混合高频组件的混合伪造语义（称为异常）进入真实的图像，从而消除了将模型偏向特定语义的偏见，提高了模型的泛化能力和检测公平性。
- PolyGlotFake：一种新颖的多语言和多模态 DeepFake 数据集
通过提出一个新颖的、多语种的、多模态的深度伪造数据集 PolyGlotFake，本研究在该数据集上进行了实验，展示了多模态深度伪造检测研究中的重要挑战和实用价值。
- FreqBlender: 提升深度伪造检测的频率知识融合
通过融合频率知识生成伪假面孔的新方法，提高 DeepFake 检测的泛化能力并使之成为其他方法的潜在即插即用策略。
- 基于面部特征引导适应的视频深度伪造检测的进一步普适化
通过在 Foundation Models 中加入富信息，利用了 CLIP 的图像编码器和 Facial Component Guidance 以提高 Deepfake 检测的鲁棒性和泛化性能。在跨数据集的评估中，我们的方法在识别未见过的 - D$^3$: 通过学习差异扩大深伪检测规模
通过引入并行网络分支，以失真图像作为额外的差异信号来补充原始图像，我们的 Discrepancy Deepfake Detector (D^3) 框架能够学习来自多个生成器的通用特征，从而在对抗各种生成模型时实现更好的泛化和鲁棒性。
- 扩散深度伪造
通过生成式 AI 和扩散模型，我们引入了两个广泛的生成伪造数据集，用于测试当前深伪造检测器的脆弱性，并提出了增强训练数据多样性和动量困难提升策略来改进模型的普适性。通过全面评估，我们的模型优化方法明显优于以前的替代方案。
- 深伪卫兵：利用集合智能进行鲁棒的检测与泛化
提出了一种主动可持续的深度伪造训练增强解决方案，将人工指纹引入模型中，通过采用池化自编码器的整体学习方法，模仿深度伪造模型引入的伪造效果，实验结果表明，我们提出的整体自编码器数据增强学习方法在泛化能力方面有所提升，并抵抗基本数据扰动，如噪声 - ChatGPT 能否检测 DeepFakes? 使用多模态大型语言模型进行媒体取证研究
通过定性和定量实验，我们调查了多模式大型语言模型在 DeepFake 检测中的能力，并展示了它们通过仔细的实验设计和及时的工程设计可以揭示 AI 生成的图像，而这一过程并不需要编程。我们讨论了多模式大型语言模型在这些任务中的局限性，并提出可 - 无需使用 Deepfake 的 Deepfake 检测：通过合成的频率模式注入进行泛化
通过在图片生成过程中注入不同频率的合成模式，提高了深度伪造检测器的泛化能力。使用该方法训练的模型能够实现先进的深度伪造检测，并能有效地识别任意生成技术产生的深伪造。
- CVPR利用样式潜流进行深度假像检测视频检测的泛化
基于分析样式潜向量的异常行为在生成视频的时间变化中，本文提出了一种检测伪造视频的新方法。通过使用 StyleGRU 模块和样式注意模块，结合动态属性的样式潜向量，实现了对视觉和时间伪迹的检测，并在深度伪造检测中展示了其优越性，尤其在跨数据集 - CVPR在深假检测中保持公平性泛化
通过同时考虑特征、损失和优化方面，我们提出了第一个在深度假像检测中解决公平性泛化问题的方法，采用解缠学习提取人口统计和领域无关的伪造特征，并将它们融合在一起，以在交叉领域的深度假像检测中鼓励公平学习。在知名深度假像数据集上进行的广泛实验证明 - CLIPping the Deception: 转变视觉语言模型以适应通用深度伪造检测
该研究探索了预训练视觉 - 语言模型与先进适应方法相结合在通用深假检测中的有效性，结果表明，保留视觉和文本部分对于检测效果至关重要。通过提出的简单轻量级的 Prompt Tuning 适应策略，使用较少的训练数据（20 万张图像，相较于 7 - 通过聚焦视线的损失项缓解人脸交换中的怪异感
面部交换研究中，我们探讨了观察者对面部交换的感知，特别关注了反常谷效应的存在。我们提出了一种新的训练模型方法，通过利用预先训练的凝视估计网络来直接改善对眼睛的表示。研究结果表明，面部交换会引起观察者的反常反应，但通过我们的方法可以显著减少面 - GenFace：一个大规模细粒度人脸伪造基准和跨外观边缘学习
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（ - 用于增强深度伪造检测的掩码条件扩散模型
本研究提出一种基于扩散模型的数据增强方法，通过生成多样化的伪造人脸图像，帮助提升深度伪造检测模型的性能。实验证明，所采用方法生成的伪造图像质量高，并能有效改善深度伪造检测模型的性能。