深度伪造生成与检测：一个基准测试与调查

《ACM Computing Surveys》：Deepfake Generation and Detection: A Benchmark and Survey

本文系统综述了深伪技术生成与检测领域最新进展，涵盖面 swapping、脸重现场、 talking-face生成及面部属性编辑等核心方向，统一任务定义并分析VAE、GAN、扩散模型等技术演变，结合广泛数据集对代表性方法进行评测，探讨隐私侵犯、网络诈骗等应用场景下的技术挑战与未来研究方向。

　　

摘要人工智能摘要

要查看此由人工智能生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

深度伪造技术旨在合成高度逼真的面部图像和视频，在娱乐、电影制作和数字人建模领域具有广泛的应用潜力。深度学习在生成模型方面取得了重大进展，从变分自编码器（VAE）和生成对抗网络（GAN）到最近兴起的扩散模型（diffusion models）。扩散模型因其卓越的生成质量引发了新一轮的研究热潮。除了深度伪造的生成技术外，相应的检测技术也在不断发展，以规范深度伪造的潜在滥用，如隐私侵犯和网络钓鱼攻击。本调查全面回顾了深度伪造生成和检测领域的最新进展，总结并分析了这一快速发展的领域的当前技术水平。首先，我们统一了任务定义，全面介绍了数据集和评估指标，并总结了相关技术。接着，我们回顾了几个相关子领域的发展情况，研究了四个具有代表性的深度伪造研究方向：面部替换、面部重演、说话面部生成和面部属性编辑，以及伪造检测。随后，我们在广泛使用的数据集上对代表性方法进行了基准测试，以提供对最具影响力的已发表作品的全面和最新的评估。最后，我们讨论了该领域面临的关键挑战，并概述了未来的研究方向。我们密切关注该项目的最新进展。

人工智能摘要

人工智能生成的摘要（实验性)

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助发现新内容、帮助读者评估文章的相关性，并协助来自相关研究领域的读者理解本文。它旨在补充作者提供的摘要，后者仍是文章的正式摘要。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的摘要版本。

要查看此由人工智能生成的通俗语言摘要，您必须具有高级访问权限。