本研究探讨了面部深伪检测的框架，分析了不同深伪生成器产生的伪影。提出了面部不一致伪影和上采样伪影的分类方法，并设计了数据级伪造框架，发现仅用这些伪影训练的分类器能有效泛化到未见过的深伪。

本研究提出了新基准Deepfake-Eval-2024，解决了现有深伪检测基准与新技术之间的不匹配问题。研究表明，主流深伪检测模型在该基准上的表现显著下降，揭示了新的挑战。

本研究提出了一种新方法，通过对抗生成样本形成扰动掩码，解决深伪检测器在特征重要性推断和视觉解释方面的不足，显著提升了解释性能。

本研究在深伪检测领域取得了显著的改进，具有较强的鲁棒性和普适性，在六个基准测试中表现良好。在深伪检测挑战预览数据集上，将帧级 AUC 从 0.797 提高至 0.835，将 CelebDF_v1 数据集上的视频级 AUC 从 0.811 提高至 0.847。