← Volver al Blog

Radar de investigaciónDetección de falsificacionesarXivOctubre 2026

Radar mensual arXiv

Octubre de 2026 Documentos sobre detección de deepfake: análisis forense amplio, vídeos largos y rostros parciales

La investigación de detección de octubre amplía el modelo de amenazas en tres direcciones. Venus-DefakerOne2 unifica medios y formas de ataque, AV-FABLE pide a los sistemas que localicen ediciones breves de audio y visuales dentro de videos largos de escenas abiertas, y RLDF prueba si un detector detecta cuando solo se cambia una pequeña región facial.

Lo que señala este mes

Venus-DefakerOne2 informa un modelo en seis dominios forenses, incluida una precisión equilibrada del 96,7 % en rostros deepfake y del 96,0 % en videos generados por IA, aunque su escala y sus datos internos hacen que la validación independiente sea esencial. AV-FABLE agrega 998 horas de videos gemelos de formato largo con líneas de tiempo visuales y de audio separadas; las salidas de lenguaje de disparo cero siguen siendo casi una posibilidad, mientras que las lecturas supervisadas de características congeladas alcanzan los 91,30 mAP. RLDF muestra que limitar un intercambio a una subregión facial reduce los detectores existentes en 10,5 puntos AUC en promedio. La lección de adquisición compartida es probar la cobertura de amenazas, la localización temporal, la atribución de modalidad y el tamaño del área manipulada en lugar de aceptar una precisión agregada.

Artículo 012026-10-27cs.CV

Venus-DefakerOne2: un modelo fundacional de análisis forense visual con mayor cobertura

Autores e instituciones

Chenfan Qu

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Yachao Liang

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Mingqi Fang

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Jiangwei Xie

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Zhenming Wang

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Baoyue Zhang

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Changjiang Jiang

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Zheng Chang

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Fanli Jin

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Xuekang Zhu

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Kaiwen Feng

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Junchi Li

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Weihong Zhang

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Haoyue Wang

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Chenfeng Zhang

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Yinan Xia

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Fangming Cui

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Yongshuo Zhang

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Dong Fan

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Jingjing Liu

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Tianyi Zhang

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Luobin Chen

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Ji-Zhe Zhou

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Sheng Li

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Wei Wang

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Bin Li

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Ran He

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Xinpeng Zhang

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Linna Zhou

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Jian Liu

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Weiqiang Wang

GuangJian Team, Ant Group

Technical Committee on Digital Media Forensics and Security, CSIG

Qué problema resuelve

Venus-DefakerOne2 tiene como objetivo proporcionar un modelo básico forense binario que abarque la falsificación física y digital en imágenes y videos. El desafío es agregar dominios y muestras difíciles sin olvidos catastróficos ni forzar una interfaz de predicción en cada tipo de medio.

Resultado clave

El documento informa una precisión equilibrada del 96,7% para rostros deepfake, 93,3% para imágenes generadas por IA, 87,6% para documentos manipulados, 89,6% para imágenes naturales manipuladas, 93,1% para falsificaciones físicas y 96,0% para vídeos generados por IA. En los dos amplios dominios destacados, la falsificación física mejora del 60,8% al 93,1% de DefakerOne, y la detección de video por IA del 72,5% al 96,0%.

Resumen

La falsificación en el mundo real es intrínsecamente heterogénea: se manifiesta no sólo como manipulación digital sino también como suplantación física, y se transmite no sólo a través de imágenes sino también de vídeos. A pesar de los avances sustanciales, sigue faltando un modelo básico unificado contra la falsificación que cubra un espectro de amenazas tan amplio. En este artículo, presentamos Venus-DefakerOne2, que amplía sustancialmente el límite de la capacidad forense a lo largo de las dimensiones de forma de falsificación y tipo de medios. Capacitado con decenas de millones de muestras internas y de código abierto, incorpora dos diseños clave. Tide-Style-Tuning alterna LoRA y el ajuste fino de parámetros completos para equilibrar la eficiencia computacional, la generalización y el ajuste de muestras estrictas al tiempo que mitiga el olvido catastrófico. La adaptación de prueba basada en entropía determina la modalidad de predicción óptima mediante el análisis de la entropía de predicción. Venus-DefakerOne2 logra un rendimiento de vanguardia en un conjunto completo de puntos de referencia, que incluyen rostros DeepFake (96,7%), imágenes generadas por IA (93,3%), documentos manipulados (87,6%), imágenes naturales manipuladas (89,6%), falsificaciones físicas (93,1%) y videos generados por IA (96,0%). Supera significativamente a los modelos expertos especializados y a su predecesor, DefakerOne, estableciéndose como un modelo básico potente y versátil para tareas forenses de decisión binaria.

Punto de partida

La detección operativa de falsificaciones abarca caras ultrafalsas, imágenes y vídeos generados, documentos editados, manipulación de imágenes naturales y ataques de presentación física. Los modelos especializados separados aumentan el costo de integración y pueden dejar puntos ciegos inconsistentes entre los medios y las formas de ataque.

Método

El modelo se entrena con decenas de millones de muestras internas y de código abierto. Tide-Style-Tuning alterna fases LoRA eficientes en parámetros con un ajuste fino de parámetros completos para preservar una amplia generalización mientras se adapta a casos difíciles. La adaptación de la prueba basada en entropía compara las modalidades de predicción disponibles y selecciona la ruta de menor incertidumbre; Los componentes adicionales admiten la agregación de videos y la localización a nivel de píxeles.

Conclusión del artículo

Un detector de bases amplio puede simplificar una pila de reseñas multimedia, pero el promedio de titulares abarca muchos puntos de referencia e incluye datos de capacitación internos. La evaluación empresarial aún necesita umbrales, calibración, latencia y pruebas específicos de ataques en generadores y dispositivos de captura invisibles.

Artículo 022026-10-24cs.CV

AV-FABLE: Análisis forense de manipulación audiovisual en vídeos de larga duración

Autores e instituciones

Yuesheng Huang

Tsinghua University

Hoi Fan Au

Tsinghua University

Jiaqi Hou

Tsinghua University

Ruicheng Zhang

Tsinghua University

Jiarui He

Tsinghua University

Haocheng Yang

Tsinghua University

Bin Hu

Tsinghua University

Kewei Zhang

Peking University

Weijian Deng

Tsinghua University

Jun Zhou

Tsinghua University

Xiu Li

Tsinghua University

Qué problema resuelve

AV-FABLE define líneas de tiempo de localización visual y de audio separadas para manipulaciones escasas en videos de escenas abiertas a escala de minutos. Prueba la detección, la localización temporal, la atribución de modalidad y la generación de evidencia en el dominio y bajo la fuente, el generador, la ruta y el cambio de conjunto de datos externos.

Resultado clave

El punto de referencia contiene 16.650 pares de gemelos manipulados de forma impecable, 33.300 vídeos y 998,1 horas; la mediana del vídeo es de 88 segundos y la manipulación cubre el 9,45% del mismo. Los modelos de lenguaje audiovisual de disparo cero alcanzan solo 51-52 AUROC y como máximo 0,30 mAP, aunque las sondas lineales recuperan 90,8 AUROC de audio y 80,8 visual. NFSR alcanza 91,30 mAP audiovisual y 96,04 AUROC de detección en el dominio y lidera las tres configuraciones fuera de distribución.

Resumen

Las manipulaciones localizadas de IA en videos de larga duración a menudo afectan eventos breves dentro de contenido auténtico, lo que hace que la clasificación a nivel de video sea insuficiente para el análisis forense. Los puntos de referencia audiovisuales existentes sobre deepfake se centran en gran medida en clips cortos de cabezas parlantes, mientras que los análisis forenses temporales de formato largo siguen siendo predominantemente visuales. Presentamos AV-FABLE, un punto de referencia de línea de tiempo dual para manipulaciones escasas en videos audiovisuales de formato largo y de escena abierta. AV-FABLE contiene 16.650 pares de gemelos impecables y manipulados (998 horas) creados con 27 configuraciones de edición, con líneas de tiempo visuales y de audio separadas que permiten la localización temporal específica de la modalidad y exponen errores ocultos mediante la evaluación de la línea de tiempo conjunta. En AV-FABLE, la activación cero de modelos audiovisuales de lenguaje grande (AV-LLM) produce una detección casi casual y una localización temporal deficiente. Por el contrario, las lecturas supervisadas de sus características de percepción congelada recuperan fuertes señales forenses, lo que sugiere que la evidencia de manipulación está codificada en estas representaciones pero no expuesta de manera efectiva a través de los resultados del lenguaje. Motivados por esta observación, proponemos NFSR (Native Forensics mediante lecturas separadas), que lee características AV-LLM congeladas con decodificadores temporales visuales y de audio separados. NFSR logra el mejor rendimiento de localización audiovisual en el dominio y en las tres configuraciones fuera de distribución, incluida la transferencia a videos retenidos desde una prueba forense externa de video largo. AV-FABLE, el código y los pesos del modelo se harán públicos.

Punto de partida

Unos pocos segundos falsificados dentro de un vídeo largo, en su mayor parte auténtico, pueden cambiar su significado, y las ediciones de audio y visuales pueden ocurrir en diferentes momentos. Una sola etiqueta de vídeo o una línea de tiempo compartida no pueden indicarle a un investigador qué modalidad se modificó y pueden recompensar a un modelo por encontrar el momento adecuado en la transmisión equivocada.

Método

SEE-Forge selecciona eventos naturales, planifica una edición localizada, la dirige a una de las 27 configuraciones de edición visual o de audio, la reinserta en contexto y combina cada salida manipulada con una exportación impecable correspondiente. Luego, NFSR lee características congeladas del modelo de lenguaje audiovisual con decodificadores temporales separados, combinando representaciones intermedias y de interfaz y condicionando evidencia local en el video anfitrión.

Conclusión del artículo

AV-FABLE permite evaluar herramientas que deben localizar el intervalo manipulado y la pista afectada, no solo marcar un archivo. También muestra que las señales forenses presentes en un modelo fundacional pueden no recuperarse mediante consultas sin ejemplos previos.

Artículo 032026-10-15cs.CV

RLDF: un conjunto de datos deepfake a nivel regional y un punto de referencia para la detección de manipulación de caras parciales

Autores e instituciones

Shukesh Reddy

Machine Intelligence Group, BITS Pilani, Hyderabad Campus

Abhijit Das

Machine Intelligence Group, BITS Pilani, Hyderabad Campus

Qué problema resuelve

RLDF proporciona etiquetas de región y verdad espacial para intercambios de cara parcial y audita si los detectores establecidos se transfieren desde puntos de referencia de cara completa. También proporciona una línea de base consciente de la localización para aprender del área pequeña forjada en lugar de promediarla.

Resultado clave

En 12 detectores, las pruebas a nivel regional provocan una caída promedio del AUC de 10,5 puntos porcentuales y una caída de la precisión de 10 puntos en relación con la evaluación convencional. FatFormer cae a 0,745 AUC y DFD-FCG a 0,806 en RLDF. La línea de base guiada por máscara establece que la supervisión espacial explícita puede recuperar una señal útil, pero el artículo la posiciona como un punto de partida en lugar de un detector resuelto.

Resumen

Los modelos de detección de deepfake existentes se basan en imágenes manipuladas que son manipuladas con rostros exclusivamente intercambiados o completamente sintetizados, lo que nos lleva a una pregunta abierta: ¿pueden los modelos de deepfake disponibles en el mercado detectar la manipulación de manera efectiva mientras la manipulación se limita a una subregión facial local? Para llenar este vacío, presentamos RLDF (Deepfake a nivel de región), el primer conjunto de datos para la evaluación de deepfake a nivel regional. Empleando el modelo de síntesis de intercambio parcial con reconocimiento de región propuesto, generamos más de 2 millones de imágenes de intercambio de caras parciales utilizando ocho métodos de intercambio de caras. En total, consideramos siete regiones faciales, entre las cuales hay cuatro regiones discretas (ojo, nariz, boca y ceja) y cuatro regiones faciales compuestas (ojo y nariz; ojo, nariz y boca; ojo, nariz, boca y ceja; y cara completa). Además, definimos tres protocolos de evaluación y comparamos 12 detectores de última generación en las cinco evaluaciones estándar populares de conjuntos de datos cruzados, DF40 y el RLDF propuesto, proporcionando una auditoría integral de dónde y por qué los detectores existentes tuvieron un rendimiento inferior. Nuestra evaluación revela que los detectores existentes no logran generalizar consistentemente a través de regiones faciales parciales, lo que resulta en una caída general del 10,5 % del AUC y del 10 % de precisión en la evaluación a nivel de región. Además, proponemos un modelo de atención cruzada guiado por máscara como enfoque de referencia que puede detectar eficazmente la manipulación a nivel regional. El conjunto de datos, el código y los puntos de control propuestos están disponibles en https://github.com/RLDF-Dataset/RLDF.

Punto de partida

La mayoría de los puntos de referencia de deepfake reemplazan o sintetizan una cara completa, por lo que los detectores pueden aprender artefactos globales amplios. Las herramientas de edición modernas pueden alterar sólo los ojos, la boca, la nariz u otra región pequeña, dejando que los píxeles auténticos dominen la imagen y haciendo que un clasificador global seguro sea mucho menos confiable.

Método

El conjunto de datos aplica ocho métodos de intercambio de rostros a 1000 pares de videos de origen-objetivo, luego utiliza análisis de rostros, dilatación y combinación suave para componer ocho regiones faciales individuales o compuestas en marcos de destino auténticos. Esto produce 2.048.000 imágenes falsas con divisiones de prueba, validación y tren de identidad inconexas. Una línea de base CLIP ViT-L/14 predice una máscara de falsificación de parche y la utiliza para guiar la atención cruzada antes de la decisión final entre real o falso.

Conclusión del artículo

La manipulación de la cara parcial debería ser una prueba de aceptación separada para cualquier producto deepfake. RLDF demuestra que las puntuaciones sólidas de cara completa no garantizan la sensibilidad a una pequeña región editada y proporciona las máscaras necesarias para entrenar e inspeccionar decisiones localizadas.