對該主題的工作不斷增長的研究，對生物識別深膜檢測的方法，有效性和限制的研究進行了研究。它並不全部整齊，除了在以下前提是對面部識別和耐受性檢測系統的潛在威脅。
對生物識別識別API的測試表明，它們不符合檢測出現和發展深擊的任務，unite.ai報告。
'看到生活？重新考慮深層時代面部透露率驗證的安全性“評估通過API提供的“面部透露率驗證”或“ FLV”生物識別服務的有效性，並發現許多人被配置為檢測傳統的深層攻擊技術，或者過於依賴特定的體系結構。該研究承認不同供應商部署的措施的顯著差異。
“ LiveBugger” DeepFake攻擊框架用於測試Livices系統，並發現有些人比低品質的視頻更好地檢測高質量的合成視頻（大概更容易受到人類檢測的影響）。研究人員將六個Deepfake框架納入了LiveBugger的開發中，該框架涉及四個不同的攻擊向量。該框架應用於使用單片圖像，視頻剪輯，提示動作和提示語音的Livices系統。
該分析繼續顯示Livices檢測技術中的偏見如何用於更有效地選擇目標。研究人員還探討了提高攻擊效果的其他方法。
他們概述了在LIVES檢測技術中發現的深層脆弱性的概述，並得出結論，生物識別識別檢測系統應在將來放棄單像方法。他們還建議將DeepFake檢測用於視頻剪輯，在促進的語音過程中對唇部運動的分析以及在基於動作的Livices Systems中的相干檢測。
根據進行研究的學者，所涉及的供應商已經確認了研究結果。
研究與最近提出的Bioid的Ann-Kathrin Freiberg在EAB午餐談話中，這表明現有的生物識別識別檢測技術（例如3D運動和紋理分析）通常成功地將深擊識別為視頻重播攻擊。
面具的方法
關於'的論文帶有面膜的面部圖像的深膜檢測'，由韓國Sungkyunkwan大學的研究人員出版
韓國研究小組說，迄今為止，深泡檢測方法表現出強勁的性能，但是測試尚未評估這種有效性是否擴展到與蒙面面孔一起使用的系統。他們通過測試現有工具來解決這種缺乏，並開發自己的兩種，以幫助探索面具遮住的深層面孔所面臨的其他挑戰。
測試了四個DeepFake檢測模型。在基線測試中，表現最佳的模型檢測到來自三分之二和近97％之間的五個數據集的未掩蓋的深擊，但在每種情況下，準確率降低了近10％，而兩個數據集則超過20％。
研究人員開發的兩種技術用於改善深泡劑檢測，這是基於現有培訓數據集的改變，以通過遮擋來改善模型的性能。 “面部翻轉”方法由剪輯在眼睛下方的圖像組成，並且比“臉部點”方法改善了性能，該方法將數字矩形放在受試者的眼睛和鼻子上。
紙張
根據北德克薩斯大學工程學院的一項公告，一份有關使用DeepFake檢測來防止對智能城市面部識別系統進行演變呈現攻擊的研究論文在最近的OITS/IEEE國際信息技術會議上獲得了最佳紙張獎。
'檢測深層深泡圖像以使強大的自動面部識別系統'是由博士生Alakananda Mitra撰寫的，計算機科學與工程學教授Saraju P. Mohanty和UNT的電氣工程教授Elias Kougianos。
本文描述的方法表明，只要不使用低質量的圖像訓練數據集評估高質量圖像，深層檢測準確性為94.83至100％。
待售的聲音深色
對於那些想要代表他們的Deepfake Avatar講話的人來說，語音變形將促使他們記錄數百個特定短語以捕捉一系列的聲音和情感。
語音變形創始人兼首席執行官法西·雅薩（Fathy Yassa）告訴mindmatters.ai另外，該公司可以通過從網上提取10到15分鐘的錄音來建立聲音深擊。
