- GM-DF：广义多场景深假检测
该文研究了多样本领域深度伪造检测模型的泛化能力，提出了一个广义多场景深伪检测框架，并通过领域对齐损失强制调整模型以表示多个数据集中的特定和共同的真实 / 伪造特征。在多源数据上进行的定性和定量实验表明了该方法的有效性。
- 个性化表示的联邦人脸伪造检测学习
提出了一种新颖的个性化伪造脸部检测学习方法，旨在通过个性化表示学习每个客户的个性化表示，提高个体客户模型的检测性能；同时，利用个性化联合学习训练策略更新分布式检测模型的参数，通过多个分布式客户端设备进行协同训练，并将这些客户端模型的共享表示 - 通过对抗语义蒙版实现难以察觉的人脸伪造攻击
提出了一种具有良好迁移性和隐蔽性的对抗语义掩码攻击框架 (ASMA)，该框架使用了语义掩码来生成具有局部语义区域中的扰动的对抗样本，并通过自适应语义掩码选择策略提高了攻击的迁移性和隐蔽性。与其他对抗攻击方法相比，该方法在公共人脸伪造数据集上 - 面部伪造检测的大规模通用评估基准
通过构建大规模评估基准 DeepFaceGen，本研究从多个角度评估和分析 13 种主流人脸伪造检测技术的性能，并通过广泛的实验分析得出重要发现并提出未来研究的潜在方向。
- 对抗消除伪造脸部图像的反事实解释
通过艺术品去除的视角提供了人脸伪造检测的反事实解释，并成功实现了对抗攻击的可转移性。
- MoE-FFD: 面向广义和参数高效的人脸伪造检测的专家混合
该研究提出了一种基于变形器的面部伪造检测方法，利用变形器的表达能力和卷积神经网络的本地先验，同时提取全局和局部的伪造线索，从而实现了一种参数高效的训练方案。在实验证明该方法具有减少参数开销且达到了最先进的面部伪造检测性能。
- 面部伪造检测的带注意力调制的 RetNet
通过引入轻量级的网络 BAR-Net，本研究解决了 transformer 网络在平衡全局上下文获取与计算复杂度之间的挑战，提高了人脸伪造检测的性能。
- ICLR毒害伪造脸部：面向面部伪造检测的后门攻击
嵌入了后门攻击的面部伪造检测方法的新威胁以及提出的解决方案。
- 探索基于决策的黑盒攻击对人脸伪造检测的影响
利用决策导向攻击和频率线索，我们提出了一种新的人脸伪造攻击方法，具有高查询效率和保证图像质量，在 FaceForensics++、CelebDF 和工业 API 上实现了攻击性能的最新突破，同时揭示了人脸伪造检测器的安全问题。
- 跨域鲁棒式深度伪造偏差扩展网络用于人脸伪造检测
本研究介绍了一种名为 Cross-Domain Robust Bias Expansion Network (BENet) 的解决方案，通过使用自动编码器和潜空间注意力模块，增强面部伪造检测的鲁棒性，用于优化重建结果和放大伪造线索以及检测跨 - 面部伪造检测的防伪感知自适应视觉 Transformer
借助先进的人脸操作技术，本研究提出了一种新的适应性伪造感知 Transformer (FA-ViT) 来检测 Deepfakes，通过冻结预训练的 Transformer 参数并引入特定组件 (LFI 和 GFA) 来适应与伪造相关的知识， - 通过历史分布保持进行持续脸部伪造检测
本文提出了一种历史分布保持（HDP）框架，通过使用通用对抗扰动（UAP）模拟历史伪造分布，以及知识蒸馏来维持真实面孔在不同模型中的分布变化，从而有效学习新的伪造攻击而不遗忘先前的攻击，并构建了一个新的连续面部伪造检测（CFFD）基准，广泛的 - 对比多人脸鉴定：一种用于多人脸伪造检测的端到端双粒度对比学习方法
本文提出了一种新的端到端的框架 Contrastive Multi-FaceForensics (COMICS)，通过双粒度对比学习方法，在多脸伪造检测方面取得了显著的性能提升，并显示了与其他对手方法相比较大的潜力，适用于多种架构。
- ICCV可控的引导空间用于具有普遍性的人脸伪造检测
本研究提出了一种可控的指导空间（GS）方法来增强不同伪造领域的区分度，从而增加特征的伪造相关性，改善泛化效果，并通过解耦模块削弱领域之间的伪造无关关联干扰。通过根据邻域内相同领域特征的聚类程度对决策边界流形进行调整来进一步提高判别能力。在多 - CVPR更通用的视频人脸伪造检测的 AltFreezing 技术
本文提出了一种用于人脸伪造检测的深度学习模型，能够同时检测空域和时域伪像，在训练过程中分别学习这两种伪像的特征，结合了多个视频层级数据增强方法，可提高模型泛化性能，并在未见过的操作和数据集上显著优于现有方法。
- 检测任何 Deepfakes：分割任何物体相遇面部伪造检测和定位
基于 Segment Anything Model 的 Detect Any Deepfakes (DADF)，通过 Reconstruction Guided Attention 模块优化了端到端的伪造检测和定位，在三个基准数据集上都取得 - 超越先前的造假知識：挖掘關鍵線索進行人臉整體造假檢測
本文介绍了一种新的关键伪造挖掘（CFM）框架，其中包含多种骨干，在提高它们的泛化性能和鲁棒性能方面拥有灵活性，以此解决面对脸部伪造检测的问题。通过实例和局部相似性感知损失，细粒度三元组和增强数据，精细关系学习原型，以及新颖的渐进式学习控制器 - ECCV基于视觉 Transformer 的无监督一致性检测的人脸伪造方法 (UIA-ViT)
本文提出了一种基于视觉 Transformer 的无监督非一致性感知方法 (UIA-ViT)，该方法可在没有像素级别注释的情况下仅利用视频级别标签，并使用一致性关系进行特征学习以提高人脸伪造检测性能。
- CVPRCORE: 人脸篡改检测中的一致性表示学习
针对人脸篡改技术的面部伪造检测方法，提出了一种用于增强不同表现形式下的一致性的学习框架（CORE），该框架基于卷积神经网络，通过正则化追求更一致的表示以进行更准确的伪造检测。
- CVPR使用身份一致性 Transformer 保护名人免受 DeepFake 攻击
本文提出了 “Identity Consistency Transformer”，这是一种新颖的人脸伪造检测方法，专注于高级语义，特别是身份信息，并通过在内部和外部面部区域发现身份不一致来检测可疑面部，在身份一致性确定中包含一致性损失。该系