志在山顶的人，不会贪念山腰的风景

在模拟真实社交媒体传播的 RealChain 数据集上，其他所有 SOTA 方法（如 AIDE, DRCT）的准确率都崩塌至 60% 以下，而。在严重退化和未知生成器场景下，REM 的性能大幅超越现有最先进方法（平均提升 7.5%，在 RealChain 上提升 18.4%）。它惩罚垂直于真实流形切线方向的剧烈变化，确保学到的边界是平滑且几何一致的。为了学习真实分布的边界，模型需要知道“什么样的数据最接近真实但又不是真实的”。强制模型提取的特征在“高质量原图”和“经过模拟退化的低质量图”之间保持一致。

DDVQA介绍了一种新的深度伪造检测方法，称为深度伪造检测VQA（DDVQA）任务。该方法通过提供文本解释来模拟人类的直觉，解释图像为何被标记为真实或伪造。研究者们引入了一个新的注释数据集，并提出了一个基于视觉和语言的Transformer框架来处理DD-VQA任务。此外，他们还结合了文本和图像感知特征对齐来增强多模态表示学习。

扩散模型的发展极大地提高了图像生成质量，使得区分真实图像和生成图像变得越来越困难。这一发展虽然令人印象深刻，但也引发了严重的隐私和安全问题。针对这一情况，我们提出了一种新的基于潜在重建误差引导的特征细化方法（Latent REconstruction error guided feature REfinement method，LaRE²）用于检测扩散生成的图像。

随着扩散模型在图像生成领域的广泛应用，其潜在的恶意滥用问题引发了关注。本文提出一种名为 DIffusion Reconstruction Error（DIRE）的图像表示方法，用于检测扩散生成图像，并建立了一个全面的扩散生成基准数据集 DiffusionForensics，以评估相关检测器的性能。

通过潜在空间增强超越伪造特定性，实现可泛化的深度伪造检测

通过先验的不可知的数据增强抑制伪造痕迹细粒度关系模型；渐进式学习控制器引导模型专注于主要特征组件，可以从粗到细学习关键伪造特征；实例和局部相似性感知损失挖掘伪造的关键信息。

"Can We Leave Deepfake Data Behind in TrainingDeepfake Detector?"提出将 “真实到 blendfake 到深度伪造” 视为渐进过渡的方法，通过有序组织锚点和模拟连续过渡提升检测性能。

本文提出了BlendFace，一种新的身份编码器，通过在混合图像上训练人脸识别模型，减少属性偏差，从而实现更好的身份与属性解耦。实验结果表明，BlendFace在身份相似性和属性保留方面表现优异，与现有方法相比，在视觉一致性上有所提升。尽管存在一些局限性，BlendFace为后续的面部相关研究提供了新的思路和方法。

"RetouchingFFHQ: A Large-scale Dataset for Fine-grained Face Retouching Detection"文章介绍了 RetouchingFFHQ 数据集，将人脸美颜检测问题扩展为细粒度多标签问题，并提出 MAM 增强特征提取。实验表明，该数据集和方法在人脸修图检测上性能良好，有望推动该领域研究。

FM-CLIP: Flexible Modal CLIP for Face Anti-Spoofing”由澳门科技大学、中国科学院等单位的Ajian Liu、Hui Ma等人撰写。文章提出了一种名为FM-CLIP的新型灵活模态人脸反欺诈（FAS）方法，通过利用文本特征动态调整视觉特征以实现模态独立性，在多模态数据集上取得了优于现有方法的性能。

FaceForensics++: Learning to Detect Manipulated Facial Images”旨在应对合成图像操纵带来的信任危机，主要贡献包括提出面部操纵检测自动化基准、构建大规模数据集、评估多种伪造检测方法及设计专门检测方法。

该文章提出了X2-DFD框架，用于可解释和可扩展的深度伪造检测。通过评估大型多模态语言模型（MLLMs）在深度伪造检测中的内在能力，发现它们在不同伪造相关特征上的有效性各异。基于此，实施了针对性的微调策略，显著提高了MLLMs的解释能力，并整合了外部深度伪造检测器（EDDs），以结合MLLMs和传统检测器的互补优势，实现更好的检测和解释。

探讨了使用多模态大型语言模型（LLMs）来检测深度伪造（DeepFakes）的潜力。深度伪造技术，即AI生成的媒体内容，因其在虚假信息传播中的使用而成为一个日益受到关注的问题。目前，深度伪造的检测主要依赖于编程实现的机器学习算法。文章的研究动机在于评估多模态LLMs在无需编程的情况下，是否能够有效地检测深度伪造图像。

通过利用频率知识，FreqBlender可以生成与自然生成的伪造人脸分布非常相似的伪造人脸,从而补充现有的空间混合方法并与之结合使用。

DeepFidelity: Perceptual Forgery Fidelity Assessment for Deepfake Detection论文阅读

Fully Unsupervised Deepfake Video Detection via Enhanced Contrastive Learning 论文阅读