Microsoft与Peking University合作的Microsoft Research发表了两篇学术论文，讨论了一个用于人工智能和面部伪造探测技术的概念：面孔和面部X射线“高保真和闭塞意识的面部交换的框架，分别用于检测锻造的面部图像。”VentureBeat。研究人员声称，与开发的其他方法相比，这两个应用程序不需要那么多数据和性能仍然是最佳的。
面对面解决了一个人在源图像中用另一个人的目标图像的替换，保留头部姿势，面部表情，照明，颜色，强度和背景。研究人员说，尽管AI应用程序（例如Reflect and FaceSwap）声称在此过程中是准确的，但它们可能会受到姿势和角度变化的影响。另一方面，为了确保面部交换精度，面对面的器利用了一种称为自适应嵌入集成网络（AEI-net）的生成对抗网络（GAN），该网络可以收集多个空间分辨率的功能。该发电机配备了注意力典型化（AAD）层，该层训练了如何整合面部特征，并且通过启发式错误确认了精炼网络（Hear-NET），通过分析重建图像及其输入之间的不一致来检测障碍。
经过定性测试，研究人员注意到面部表面的面部形状，照明和图像分辨率准确地保持了面部形状，而对于在线收集的图像，它不需要人类注销的数据来恢复异常区域。
该团队说：“拟议的框架在没有主题培训的情况下进行任何面部对生成逼真的面部图像时表现出了卓越的性能。广泛的实验表明，所提出的框架显着优于先前的面部交换方法。”
他们的第二个建议（面部X射线）检测到假货，这是研究人员认为至关重要的工具深层蛋糕在线增加。它不需要基于假图像和操纵方法的人类监督或以前的算法培训。 Face X射线会创建灰度图像，并检测是否可以将图像分解为两个合并的不同图像。研究人员声称，这是成功的，因为图像具有与硬件或软件组件的独特差异标记。
研究人员进行了许多实验，他们在其中训练了X射线X射线Facemoensics ++具有1000多个DeepFake视频，关于深泡检测挑战和Celeb-DF的数据。他们得出的结论是，该工具成功地识别了未知的深击和混合区域。研究人员指出，尽管他们的方法是基于查找混合步骤，但它不是银弹，并且可能对完全合成图像不起作用。
