对该主题的工作不断增长的研究，对生物识别深膜检测的方法，有效性和限制的研究进行了研究。它并不全部整齐，除了在以下前提是对面部识别和耐受性检测系统的潜在威胁。
对生物识别识别API的测试表明，它们不符合检测出现和发展深击的任务，unite.ai报告。
'看到生活？重新考虑深层时代面部透露率验证的安全性“评估通过API提供的“面部透露率验证”或“ FLV”生物识别服务的有效性，并发现许多人被配置为检测传统的深层攻击技术，或者过于依赖特定的体系结构。该研究承认不同供应商部署的措施的显着差异。
“ LiveBugger” DeepFake攻击框架用于测试Livices系统，并发现有些人比低品质的视频更好地检测高质量的合成视频（大概更容易受到人类检测的影响）。研究人员将六个Deepfake框架纳入了LiveBugger的开发中，该框架涉及四个不同的攻击向量。该框架应用于使用单片图像，视频剪辑，提示动作和提示语音的Livices系统。
该分析继续显示Livices检测技术中的偏见如何用于更有效地选择目标。研究人员还探讨了提高攻击效果的其他方法。
他们概述了在LIVES检测技术中发现的深层脆弱性的概述，并得出结论，生物识别识别检测系统应在将来放弃单像方法。他们还建议将DeepFake检测用于视频剪辑，在促进的语音过程中对唇部运动的分析以及在基于动作的Livices Systems中的相干检测。
根据进行研究的学者，所涉及的供应商已经确认了研究结果。
研究与最近提出的Bioid的Ann-Kathrin Freiberg在EAB午餐谈话中，这表明现有的生物识别识别检测技术（例如3D运动和纹理分析）通常成功地将深击识别为视频重播攻击。
面具的方法
关于'的论文带有面膜的面部图像的深膜检测'，由韩国Sungkyunkwan大学的研究人员出版
韩国研究小组说，迄今为止，深泡检测方法表现出强劲的性能，但是测试尚未评估这种有效性是否扩展到与蒙面面孔一起使用的系统。他们通过测试现有工具来解决这种缺乏，并开发自己的两种，以帮助探索面具遮住的深层面孔所面临的其他挑战。
测试了四个DeepFake检测模型。在基线测试中，表现最佳的模型检测到来自三分之二和近97％之间的五个数据集的未掩盖的深击，但在每种情况下，准确率降低了近10％，而两个数据集则超过20％。
研究人员开发的两种技术用于改善深泡剂检测，这是基于现有培训数据集的改变，以通过遮挡来改善模型的性能。 “面部翻转”方法由剪辑在眼睛下方的图像组成，并且比“脸部点”方法改善了性能，该方法将数字矩形放在受试者的眼睛和鼻子上。
纸张
根据北德克萨斯大学工程学院的一项公告，一份有关使用DeepFake检测来防止对智能城市面部识别系统进行演变呈现攻击的研究论文在最近的OITS/IEEE国际信息技术会议上获得了最佳纸张奖。
'检测深层深泡图像以使强大的自动面部识别系统'是由博士生Alakananda Mitra撰写的，计算机科学与工程学教授Saraju P. Mohanty和UNT的电气工程教授Elias Kougianos。
本文描述的方法表明，只要不使用低质量的图像训练数据集评估高质量图像，深层检测准确性为94.83至100％。
待售的声音深色
对于那些想要代表他们的Deepfake Avatar讲话的人来说，语音变形将促使他们记录数百个特定短语以捕捉一系列的声音和情感。
语音变形创始人兼首席执行官法西·雅萨（Fathy Yassa）告诉mindmatters.ai另外，该公司可以通过从网上提取10到15分钟的录音来建立声音深击。
