虚假人脸检测----检测gan生成的虚假人脸

Hsu C C, Lee C Y, Zhuang Y X. Learning to detect fake face images in the wild[C]//2018 International Symposium on Computer, Consumer and Control (IS3C). IEEE, 2018: 388-391.

Cintas C, Speakman S, Tadesse G A, et al. Pattern detection in the activation space for identifying synthesized content[J]. Pattern Recognition Letters, 2022, 153: 207-213.

摘要：
生成对抗网络(GANs)最近在从低维随机噪声合成逼真图像方面取得了前所未有的成功。大规模合成高质量图像的能力会带来潜在的风险，因为生成的样本可能会导致错误信息，从而造成严重的社会、政治、健康和商业危害。我们提出SubsetGAN通过检测预训练好的神经网络内层的异常激活点的子集来识别生成的内容。 These nodes, as a group, maximize a non-parametric measure of
divergence away from the expected distribution of activations created from real data.。这使我们能够在事先不知道其分布的情况下识别合成的图像。SubsetGAN有效地对节点的子集进行评分，并返回预先训练的分类器中贡献于最大得分的节点组。分类器可以是在来自多个来源的样本上训练的一般假分类器，也可以是来自不同随机分类网络的鉴别器网络。在几种最先进的GANs(PGGAN、StarGAN和CyclelGAN)和不同比例的生成内容上，我们的方法始终显示出比现有的检测方法更高的检测能力。

检测两类：部分由gan生成（DGGAN，StarGAN和全由gan生成（CycleGAN）

Zheng，Exploring Temporal Coherence for More General Video Face Forgery Detection，ICCV 2021 paper

摘要：
虽然目前的人脸操作技术在质量和可控性方面取得了令人瞩目的成就，但它们仍在努力生成时间一致的人脸视频。在本项工作中，我们充分利用时间一致性探索了视频伪造人脸检测。为了实现这一点，我们提出了一个新的端到端框架，它包括两个主要阶段。第一阶段是一个全时态卷积网络(FTCN)。FTCN的关键是将空间卷积核尺寸减小到1，同时保持时间卷积核尺寸不变。令人惊讶地是，这种特殊的设计有利于模型提取时间特征，并提高泛化能力。第二阶段是时间变换网络（Temporal Transformer network,），旨在探索长期的时间一致性。该框架通用且灵活，可以直接从头开始训练，而不需要任何预训练模型或外部数据集。大量的实验表明，我们的框架优于现有的方法，并且在应用于检测新型的面部伪造视频时仍然有效。

我希望做的：

complete generation检测（完全由GAN生成的虚假人脸检测）