Deepfake Detection总结

文章目录

• 研究者

  • 伪造数据集

  • 合成方法

  • 人脸识别检测技术（Frame）

  • • 对比学习方法

  • 多模态可解析性人脸识别技术

  • 基于大语言模型的Multimodal Large Language Models（MLLM）

  • 无分类

  • 人脸伪造检测方法（Video）

  • 生成式人脸伪造检测方法

---

相关研究人员

Zhiyuan Yan：Deepfake-related Discrimination (DFD)
Ajian Liu：Face Anti-spoofing (FAS)

---

人脸伪造数据集

FF++ ICCV 2019 Facial Forensic Analysis Enhanced Version: Identifying Manipulated Face Images

针对合成图像操控所引发的信任危机, 本研究的主要贡献体现在提出一套面部操纵检测自动化基准方案, 系统性构建了覆盖广泛的数据集库, 并开发并测试多种伪造检测手段, 同时着重研发专门用于识别面部操控的检测机制。

---

人脸合成方法

Re-designing Identity Encoders for Face-Swapping, presented at the International Conference on Computer Vision 2023, introduces a novel approach to re-engineering identity encoders for face swapping applications.

FreqBlender NeurIPS 2024 FreqBlender: Enhancing DeepFake Detection by Blending Frequency Knowledge

SBI Detecting Deepfakes with Self-Blended Images

LSAD [CVPR 2024: 超越伪造特异性,通过潜在空间增强实现通用深度伪造检测]]()

OPR [NeurIPS 2024: Should We Abandon the Use of Deepfake Data During the Training of a Deepfake Detector?]

---

人脸伪造检测方法（Frame）

对比学习

CFM（Transinformational Filtering Method）在第2023年TIFS论坛上发表文章"超越前有伪造知识：基于一般性面部伪造检测的关键线索挖掘"

多模态可解释性伪造人脸检测

Deep fake detection research has achieved significant progress through DD-VQA, presented at the CVPR 2025 Common Sense Reasoning Track. The research is published on the detailed article page of blog.m0_61676839.cn, accessible via

大语言模型辅助 Multimodal Large Language Models（MLLM）

本研究旨在探讨基于 ChatGPT 的深度伪造检测可能性及其在多模态大型语言模型应用于媒体forensics中的有效性

应用MLLL进行基于真实人脸图像的识别与验证，在大语言模型领域进行了相关研究与探讨。

该框架旨在实现可解释性与深度伪造检测的平衡，并已在arXiv 2024年发布

使用MLLM和现有的人脸伪造检测方法相结合进行人脸伪造检测

未分类

DeepFidelity arXiv 2024 DeepFidelity: A Perceptual Fidelity Assessment for Detecting Deepfake Forgery

Mixture of Experts（MoE）是一种参数高效且通用化的面部伪造检测方法

---

人脸伪造检测方法（Video）

[TPAMI 2024] Completely Unsupervised Deepfake Video Detection via Enhanced Contrastive Learning

无监督

---

生成式人脸伪造检测方法

该方法基于扩散生成图像检测技术，在ICCV 2023会议上得到了广泛讨论。
该模型基于潜在重建误差的方法，在CVPR 2024会议上提出了新的扩散生成图像检测技术。