该文综述深度伪造检测研究，核心是解决模型对特定伪造方法过拟合、泛化差的问题。多项工作提出分离视觉信息、多注意力网络、双流网络、度量学习、自监督预训练及卷积变换器等框架，以学习通用伪造特征，提升跨数据集鲁棒性，并在多个基准上取得更优性能。

该文综述了脑部MRI白质高信号分割的深度学习方法，包括Probabilistic TransUNet、BAGAU-Net、3D SA-UNet、多尺度聚合模型及3D Transformer，强调注意力机制、概率模型与跨数据集鲁棒性，并涉及低场MRI适应与多类别全脑分割。