方便地访问社交媒体上的视听内容，结合了现代工具的可用性，如Tensorflow或Cheras，开源训练型和经济的计算基础设施，以及深度学习（DL）方法的快速演变，特别是生成的对抗性网络（GAN）使得可以生成DeepFakes来传播欺骗，复仇色情，金融欺诈，恶作剧，并扰乱政府运作。现有调查主要集中在检测到DeepFake图像和视频。本文提供了对基于工具和机器学习（ML）基于DeepFake发电的方法的全面审查和详细分析，以及用于检测音频和视觉泡泡的这种操纵的方法。对于每类DeepFake，我们讨论与操纵方法，当前公共数据集和绩效评估的关键标准相关的信息以及其结果。此外，我们还讨论了开放的挑战，并列举了未来的指导，以引导未来的研究人员对需要考虑的问题，以改善深蓝生成和检测的域。预计这项工作有望帮助读者了解DeepFakes的创作和检测机制，以及他们当前的限制和未来方向。
translated by 谷歌翻译