本研究解决了边缘设备上训练和部署深度伪造检测模型的计算与内存限制问题。通过压缩技术和迁移学习，实验表明在90%压缩率下仍能保持性能，尽管存在领域泛化问题，为实际应用提供了理论支持。

本研究提出了TruthLens框架，用于深度伪造检测，解决了现有方法的二元分类限制和缺乏可解释性的问题。TruthLens不仅能判断图像真实性，还提供详细推理，显著提高了检测的准确性和可解释性，实验结果表明其优于现有方法。

本文研究视频分类的可解释性，提出了一种名为VIBA的方法，旨在解决视频序列中的信息瓶颈问题。该方法应用于深度伪造检测，展示了其生成一致解释的能力，接近人工注释，为视频分类和检测提供了解释性支持。

本研究探讨了自监督预训练变换器在深度伪造检测方面的有效性，发现其在数据有限的情况下具有改进泛化能力的潜力。通过适度的训练数据和部分微调，该方法在深度伪造检测方面表现出与传统方法可比拟的适应性和自然可解释性，且需要较少的计算资源。

该文章介绍了名为GenFace的数据集，用于深度伪造检测的发展。数据集包含大量伪造人脸和详细标签。文章还介绍了一种创新的跨外观边缘学习（CAEL）检测器，实验结果显示其优于其他模型。

该文章综述了深度伪造生成和检测技术的最新发展，并讨论了该领域的当前状态。重点关注深度伪造生成和检测技术框架的发展，以及人脸交换、脸部再现、说话人脸生成和面部属性编辑等主流深度伪造领域的研究。评估了各领域中的代表性方法和最新的研究成果，并分析了该领域的挑战和未来研究方向。

通过实验展示了超分辨率技术在深度伪造检测中的应用，提出了一种新颖的攻击方法，使用超分辨率来伪装假图像和生成虚假警报。结果表明，超分辨率的使用可以显著损害深度伪造检测器的准确性，突显其对对抗性攻击的脆弱性。

我们提出了两种连续学习技术对短序列和长序列的伪媒体进行分析，结果显示连续学习方法可以与最有前途的检测方法相结合，实现对最新生成技术的追赶。我们还提出了如何将这种学习方法整合到深度伪造检测管道中进行持续集成和持续部署，以保持检测器的不断维护。

该文章综述了深度伪造生成和检测技术的最新发展，并讨论了该领域的当前状态。重点关注了深度伪造生成和检测技术框架的发展，以及人脸交换、脸部再现、说话人脸生成和面部属性编辑等主流深度伪造领域的研究。评估了各领域中的代表性方法和最新的研究成果，并分析了该领域的挑战和未来研究方向。

本文提出了一种新方法来检测伪造视频，通过使用样式潜向量和动态属性，结合StyleGRU模块和样式注意模块，实现了对视觉和时间伪迹的检测。该方法在深度伪造检测中表现出优越性，尤其在跨数据集和跨篡改场景中。研究还验证了利用时间变化的样式潜向量来提高深度伪造视频检测的普适性的重要性。

本文通过深度学习模型对多媒体数据进行篡改检测，并分析了公开可用的恶意篡改检测基准数据集。提供了篡改线索、深度学习架构清单和最先进的篡改检测方法。比较了深度学习方法与传统方法，并提供了最近篡改检测方法的关键见解。讨论了研究的空白、未来方向和结论。

本文提出了一种多模态深度伪造检测方法，通过音频和视觉融合，提高了伪造检测的准确性。

本文提出了一种新的度量方法“模型可分离性”用于评估模型分离数据的能力。研究表明，自监督方法训练的模型在分离性方面比监督方法更有效。在深度伪造数据集上，自监督模型提供了最佳结果，有助于开发更有效的深度伪造检测模型。

该系统使用多个检测系统来识别拼接区域并确定其真实性。系统包括边界检测和深度伪造检测的两个帧级系统，以及使用真实数据训练的第三个VAE模型。该系统在ADD 2023的二号任务中表现出色，句子准确率达到82.23％，F1分数为60.66％，最终得分为0.6713的第一名。

本论文研究深度伪造图像的产生和检测，提出了全面的深度伪造图像生成与识别方法。通过创建DeepFakeFace (DFF)数据集，训练和测试检测算法。通过对DFF数据集的评估，提出了两种评估方法来测试深度伪造识别工具的强度和适应性。研究发现不同的深度伪造方法和图像变化产生多种结果，强调了对深度伪造检测器的需求。DFF数据集和测试旨在促进抵御深度伪造的工具发展。