← Retour au Blog
Radar de rechercheDétection des deepfakesForensique vidéoarXivAoût 2026

Radar arXiv mensuel

Articles sur la détection des deepfakes d’août 2026 : transfert image-vidéo, forensique multi-agent et équité

Les articles d'août considèrent la détection des deepfakes comme un système de déploiement plutôt qu'un simple chiffre AUC. Une étude montre que les détecteurs d'images peuvent surpasser les modèles vidéo dédiés grâce à l'ajustement des images et à l'agrégation apprise ; une autre sépare l'analyse de texture, d'éclairage, de mouvement et de physique entre différents agents ; la troisième cible les raccourcis démographiques à l'intérieur des caractéristiques spatiales et des résidus de fine-tuning.

Ce que révèle ce mois-ci

FakeI2V-Bench montre que l'ajustement des images vidéo combiné à une agrégation statistique peut transformer des détecteurs d'images matures en systèmes vidéo plus performants et parfois plus légers, mais les modifications rares restent difficiles. FaceVid-Forensics-100K utilise quatre agents médico-légaux indépendants et un juge pour améliorer la détection de générateurs non vus tout en fournissant des explications. FairReL montre que la généralisation et l'équité sont des objectifs distincts : un détecteur peut bien transférer globalement et concentrer néanmoins les faux positifs sur des sous-groupes minoritaires. Une évaluation de production crédible nécessite donc la diversité des générateurs, des tests de rareté temporelle, des preuves révisables et des métriques de sous-groupe à seuil fixe.

Article 012026-08-04cs.CR

FakeI2V-Bench : évaluer l’applicabilité des détecteurs de deepfake d’image à la détection de vidéos deepfake

arXivPDF

Auteurs & institutions

Pei Li

School of Cyber Science and Technology, Shandong University, Qingdao, China

Sihan Chen

School of Cyber Science and Technology, Shandong University, Qingdao, China

Delong Ran

Institute for Network Sciences and Cyberspace, BNRist, Tsinghua University, Beijing, China

Tianshuo Cong

School of Cryptologic Science and Engineering, Shandong University, Jinan, China

Problème traité

FakeI2V-Bench fournit un test unifié de détection au niveau image et vidéo et introduit un pont réutilisable qui transforme les scores par image en une décision vidéo. Il quantifie la précision, le comportement inter-générateurs, la latence, la taille du modèle et la performance lorsque seulement 20 % d'un clip est manipulé.

Résultat clé

Avec la meilleure agrégation naïve, le détecteur d'images le plus performant atteint 80,16 % d'AUC, dépassant déjà légèrement le meilleur modèle vidéo FTCN à 79,99 %. Après IV-Bridge, onze des douze détecteurs d'images battent FTCN ; RINE-IV domine avec 93,80 % d'AUC et 97,63 % d'AP, tandis que Patch-IV, avec 4,34 millions de paramètres, atteint 89,26 % d'AUC et 96,12 % d'AP. Sur quatorze générateurs, les modèles d'images améliorés obtiennent en moyenne 95,51 % d'AUC contre 91,01 % pour le meilleur détecteur vidéo, bien que Sora reste difficile avec 72,76 % d'AUC moyen. Avec seulement 20 % des images falsifiées, tous les modèles chutent et Patch-IV mène à 77,15 % d'AUC.

Résumé

Les avancées récentes des modèles de génération vidéo ont considérablement intensifié la menace des deepfakes, pourtant les benchmarks actuels de détection de vidéos deepfake restent peu développés. En particulier, l’efficacité des détecteurs d’images dans le domaine vidéo n’a pas été évaluée systématiquement. Pour combler cette lacune, nous présentons FakeI2V-Bench, un benchmark pour évaluer les détecteurs de deepfakes vidéos de pointe dans des scénarios difficiles, avec un accent particulier sur l’évaluation systématique des performances des détecteurs d’images de deepfakes dans le domaine vidéo. FakeI2V-Bench comprend 97 548 vidéos, contenant des contenus générés par les derniers modèles puissants et couvrant un éventail plus large de catégories. À l’aide de ce dataset, nous réalisons une évaluation systématique de huit détecteurs vidéo et de douze détecteurs d’images représentatifs. Les résultats expérimentaux montrent que le détecteur d’images le plus performant atteint un AUC de 80,16 %, dépassant légèrement le détecteur vidéo le plus fort (79,99 % AUC). Au-delà du benchmarking, nous présentons IV-Bridge, un cadre général qui améliore l’applicabilité des détecteurs d’images aux vidéos. IV-Bridge utilise un modèle de forêt aléatoire avec des caractéristiques statistiques pour agréger les prédictions au niveau de l'image, permettant à onze détecteurs d’images de surpasser les approches vidéo de pointe, la variante la plus performante atteignant un AUC de 93,80 %. Globalement, FakeI2V-Bench établit un benchmark rigoureux pour la détection de deepfakes vidéo et introduit une nouvelle voie pour étendre les détecteurs d’images au domaine vidéo, offrant de nouvelles perspectives et directions pour la recherche future. Le code et les données sont disponibles sur https://github.com/CryptoAILab/FakeI2V-Bench.

Point de départ de la recherche

Les détecteurs de deepfake d'images bénéficient de pipelines d'entraînement matures, mais les benchmarks vidéo comparent généralement uniquement les architectures spécifiques à la vidéo et appliquent des modèles d'images avec une moyenne simpliste. Cela laisse les équipes incertaines quant à la nécessité des réseaux temporels, à la manière dont les générateurs de vidéos récents modifient le classement et à la possibilité d'adapter économiquement un détecteur d'images existant à la vidéo. Les manipulations rares, où seule une fraction des images est truquée, rendent l'agrégation naïve particulièrement risquée.

Méthode

Le benchmark combine 97 548 vidéos provenant de quatre jeux de données pour visage et de génération générale et évalue huit détecteurs vidéo ainsi que douze détecteurs d'images représentatifs. Les auteurs comparent d'abord des agrégations de scores fixes telles que la moyenne, le maximum et le minimum. IV-Bridge effectue ensuite un ajustement vidéo par image sur des images FF et GenVideo non chevauchantes et envoie des descripteurs statistiques des scores par image à une forêt aléatoire comptant jusqu'à 800 arbres et une profondeur de huit. Les résultats sont détaillés selon quatorze modèles de génération, contenu facial versus général, coût de déploiement et falsification à court terme.

À retenir

Un détecteur d'images existant peut devenir un service vidéo compétitif s'il est ajusté sur de vraies images vidéo et associé à une agrégation de scores temporels apprise. Le pont est attractif pour des déploiements légers, mais les éditions rares restent un échec évident et le modèle le plus exact n'est pas le moins cher.

Article 022026-08-07cs.CV

Raisonnement forensique multi-agent pour une détection généralisable des vidéos deepfake

arXivPDF

Auteurs & institutions

Xuechao Zou

Beijing Jiaotong University, China

Shun Zhang

Beijing Jiaotong University, China

Kai Li

Tsinghua University, China

Yi Zhou

Beijing Jiaotong University, China

Xinyu Sun

Beijing Jiaotong University, China

Yuhui Chen

Ant Group, China

Zhe Wu

Tsinghua University, China

Congyan Lang

Beijing Jiaotong University, China

Junliang Xing

Tsinghua University, China

Problème traité

L'article contribue à la fois à un benchmark actuel, riche en explications, et à un système de raisonnement collaboratif conçu pour des générateurs non vus auparavant. Il teste si des rapports de spécialistes indépendants améliorent la généralisation au-delà des prompts de chaîne de pensée plus longs ou de la présentation répétée des mêmes images à un modèle.

Résultat clé

Lors du test hors domaine, le système complet avec évaluation vidéo atteint 69,87 % de précision, 81,82 % de rappel, et un F1 de 53,28. Le modèle fermé le plus performant mentionné, Gemini 2.5 Pro, enregistre 63,78 %, 75,29 % et 47,45 %, tandis que le meilleur petit modèle de vision de base atteint 64,28 % de précision et 45,20 de F1. Un juge basé uniquement sur du texte à partir des rapports d'agents se classe encore deuxième avec 67,41 % de précision et 51,01 F1. Le SFT conjoint améliore le système vidéo-aware de 42,29 % à 67,03 % de précision, et GRPO l'augmente encore ; la combinaison des quatre agents médico-légaux donne le meilleur F1 dans les deux configurations du juge.

Résumé

L'utilisation malveillante de l'intelligence artificielle générative pour créer des vidéos deepfake très réalistes soulève de graves préoccupations éthiques et pose des défis importants pour la sécurité de l'IA. Cependant, les benchmarks existants pour les vidéos deepfake offrent une couverture limitée des méthodes récentes de synthèse et manquent généralement d'annotations textuelles fines et fiables. Par ailleurs, les détecteurs conventionnels et les modèles linguistiques multimodaux de grande taille (MLLM), qu'ils fonctionnent en tant que modèle unique ou qu'ils se basent sur une seule perspective analytique, échouent souvent à détecter des artefacts de falsification subtils, limitant leur capacité de généralisation aux méthodes émergentes générées par IA. Pour pallier ces limites, nous présentons FaceVid-Forensics-100K, un ensemble de données vidéos deepfake à grande échelle comprenant 100 000 vidéos et couvrant 33 méthodes de synthèse dans les domaines de l'échange de visages, de la réanimation faciale et de la synthèse complète du visage, incluant des générateurs récents tels que Seedance 2.0. Cet ensemble de données fournit des annotations textuelles fines des observations visuelles et des explications médico-légales cohérentes avec le verdict, synthétisées automatiquement via un pipeline d'agrégation multi-modèle et de résolution de conflits, propulsé par des MLLM avancés. Sur la base de ce benchmark, nous proposons un cadre de raisonnement médico-légal multi-agents qui emploie quatre agents experts dans leur domaine pour analyser indépendamment les indices de falsification selon quatre perspectives : texture, éclairage, mouvement et physique. Un agent juge réconcilie ensuite leurs rapports pour produire une prédiction finale accompagnée d'une explication. Des évaluations approfondies sur des ensembles de test hors domaine montrent que, bien que composé entièrement de petits MLLM open-source, notre cadre surpasse toutes les méthodes, y compris les modèles GPT et Gemini propriétaires, et se classe premier sur toutes les métriques rapportées sur ce benchmark. La page du projet est disponible à l'adresse https://xavierjiezou.github.io/ARGUS/.

Point de départ de la recherche

Les générateurs de vidéos faciales modernes maintiennent suffisamment bien l'identité et le mouvement pour qu'un seul classificateur ou MLLM à usage général puisse manquer des preuves subtiles spécifiques au générateur. Les ensembles de données existants sont souvent en retard par rapport aux nouveaux systèmes de synthèse et ne fournissent que des étiquettes binaires, ce qui rend difficile la formation ou l'audit des explications. Pour un examen à haut risque, un détecteur devrait inspecter des dimensions médico-légales indépendantes et réconcilier les observations contradictoires plutôt que de produire un verdict non étayé.

Méthode

FaceVid-Forensics-100K contient 100 000 vidéos issues de 33 méthodes de substitution de visage, de réinterprétation et de synthèse faciale complète, y compris Seedance 2.0. Des observations détaillées et des explications cohérentes avec le verdict sont créées grâce à l'agrégation multi-modèle et à la résolution des conflits. Quatre petits agents MLLM open-source examinent séparément la texture, l'éclairage, le mouvement et la cohérence physique ; un juge reçoit leurs rapports, échantillonne éventuellement la vidéo et émet un verdict accompagné d'une explication. Les agents et le juge sont entraînés avec un fine-tuning supervisé puis avec une optimisation de politique relative de groupe, les générateurs hors domaine étant exclus pour l'évaluation.

À retenir

Séparer l’observation médico-légale de la formation du verdict améliore à la fois l’auditabilité et la performance des générateurs invisibles. L’architecture est convaincante pour les flux de travail assistés par l’analyste, mais son coût d’inférence multi-modèles et les étiquettes explicatives générées automatiquement doivent être comparés à un détecteur plus simple et à une revue humaine avant l’adoption en production.

Article 032026-08-28cs.CV

FairReL : Détection de deepfake utilisant l’apprentissage de la représentation consciente de l’équité

arXivPDF

Auteurs & institutions

Xiaoman Lu

Department of Computer Science, University of Warwick, Coventry, United Kingdom

Jiaqi Li

Department of Computer Science, University of Warwick, Coventry, United Kingdom

Shuntian Zheng

Department of Computer Science, University of Warwick, Coventry, United Kingdom

Huiping Chen

School of Computer Science, University of Birmingham, Birmingham, United Kingdom

Yu Guan

Department of Computer Science, University of Warwick, Coventry, United Kingdom

Problème traité

FairReL isole deux composants sensibles aux sous-groupes – les fréquences spatiales multi-échelle et la représentation résiduelle introduite lors de l’ajustement fin – et applique différents contrôles d’équité à chacun. Il évalue la disparité des faux positifs à un seuil d’opération fixe, de sorte que les améliorations ne peuvent pas être réalisées simplement en rejetant moins d’échantillons au total.

Résultat clé

Par rapport à la référence la plus forte axée sur l'équité, les auteurs rapportent une amélioration de 3,9 points de l'AUC sur des ensembles de données non vus et une réduction de 10,2 % de l'écart de FPR entre sous-groupes. FairReL atteint des AUC de 80,64, 86,13 et 66,34 sur Celeb-DF, DFD et DFDC, tout en affichant le plus faible écart de FPR égal sur les trois (10,12, 13,55 et 38,36). Sur DFDC, son AUC moyenne par groupe est de 67,03 et l'écart entre l'AUC du meilleur et du pire sous-groupe est de 1,09 point. Il est légèrement en retrait par rapport à GenD, axé sur la précision, en termes d'AUC globale sur deux ensembles, mais répartit les performances de manière plus homogène, en particulier pour les sous-groupes féminin et noir.

Résumé

Bien que les détecteurs deepfake récents atteignent une grande précision globale, leurs erreurs restent réparties de manière inégale entre sous-groupes démographiques, les vrais visages de certains groupes étant plus souvent mal classés comme faux. Les détecteurs existants conscients de l’équité régularisent généralement l’ensemble de la représentation des caractéristiques, sans identifier ni contrôler les composants spécifiques qui alimentent des prédictions injustes. Une intervention grossière peut sursupprimer les indices de falsification utiles tout en laissant la structure démographique dans des sous-espaces spécifiques à chaque composant. Pour y remédier, identifions deux composants sensibles aux sous-groupes : les caractéristiques spatiales multi-échelles, qui codent les motifs faciaux et de falsification locaux, et les caractéristiques résiduelles induites par l’ajustement fin, qui adaptent l’infrastructure à la distribution d’entraînement injuste. Nous proposons FairReL, un cadre d’apprentissage de représentation conscient de l’équité qui vise les deux composants avec une supervision démographique dédiée. FairReL utilise un modèle de base décomposé SVD pour isoler la représentation résiduelle induite par l’ajustement fin, et introduit deux pertes complémentaires. La décorrelation d’ondelettes conditionnelle de groupe (GCWD) supprime la structure déséquilibrée des sous-groupes à travers les sous-bandes d’ondelettes spatiales, tandis que l’alignement moyen localisé en sous-espace (SLMA) aligne les moyennes des sous-groupes au sein de chaque classe réelle/fausse dans la représentation résiduelle. Des expériences sur FF, Celeb-DF, DFD et DFDC montrent que, face au détecteur de pointe conscient de l’équité, FairReL améliore l’AUC des ensembles de données invisibles de 3,9 % tout en réduisant la disparité FPR des sous-groupes de 10,2 %. Le code est disponible à https://github.com/xiaoman89/FairReL .

Point de départ de la recherche

Un détecteur peut atteindre une forte AUC globale tout en accusant faussement des membres de certains sous-groupes démographiques beaucoup plus souvent que d’autres. Les pertes d’équité existantes régularisent souvent la prédiction finale ou l’intégralité de l’intégralité, ce qui peut laisser intacts les raccourcis démographiques localisés ou effacer des preuves utiles de contrefaçon. Le défi consiste à cibler l’endroit où les informations des sous-groupes entrent dans le détecteur et à préserver à la fois l’équité et la précision inter-domaine.

Méthode

La méthode décompose chaque projection d’auto-attention dans CLIP ViT-L/14 avec SVD et apprend un résidu de rang un tout en conservant la représentation de fondation. La décoration d’ondelettes conditionnelle de groupe supprime séparément la structure déséquilibrée sous-groupe entre les bandes d’ondelettes spatiales. L’alignement moyen localisé en sous-espace aligne les moyennes démographiques au sein de chaque classe réelle/fausse uniquement dans le résidu d’adaptation, évitant ainsi un lissage indiscriminé de toutes les fonctionnalités. Les modèles s’entraînent sur FaceForensics et transfèrent vers Celeb-DF, DFD et DFDC, en utilisant six groupes intersectionnels genre/ethnie et des métriques FPR à un seuil de validation source fixé à 90 % TPR.

À retenir

L'évaluation des deepfakes devrait rapporter les faux positifs par sous-groupe à un point de fonctionnement fixe, et pas seulement l'AUC agrégée. FairReL montre que la correction de biais localisée peut maintenir une détection compétitive entre domaines, bien que la disparité résiduelle du DFDC reste suffisamment grande pour que les seuils de production et les chemins d'escalade nécessitent encore une validation consciente des sous-groupes.