Radar de rechercheDétection de deepfakesMédecine légale facialearXivJuillet 2026

Radar arXiv mensuel

Articles sur la détection des deepfakes (juillet 2026) : Preuves de reconstruction, physiologie faciale et relecture compacte

Les articles sur les deepfakes publiés en juillet abordent trois faiblesses qui apparaissent après qu'un détecteur a quitté un banc d'essai statique : les explications peuvent être infondées, les générateurs de visages parlants peuvent échapper aux classificateurs d'artefacts et les mises à jour continues peuvent faire oublier les familles de manipulations précédentes. Les méthodes sélectionnées introduisent un résidu de reconstruction explicite, un canal vidéo physiologique et un tampon de relecture à haute densité d'informations.

Ce que révèle ce mois-ci

LaP-Forensics fonde la localisation et les explications structurées sur un résidu de reconstruction par diffusion, mais évite à juste titre de prétendre que son texte libre est vérifié. L'étude rPPG montre que la difficulté de détection des visages parlants varie considérablement selon le générateur, même lorsque le classificateur et le protocole restent fixes. InfoDense résout le problème opérationnel de la mise à jour d'un détecteur sans stockage de l'intégralité des images faciales historiques. Pour ces trois méthodes, le signal le plus fort n'est pas un artefact universel : la fiabilité repose sur la combinaison de preuves complémentaires, l'isolation des protocoles d'évaluation et la préservation des indices pertinents lorsque les distributions évoluent.

Article 012026-07-28cs.CV

LaP-Forensics : Raisonnement multimodal guidé par la cohérence des pixels latents pour la détection des deepfakes

arXiv PDF

Auteurs & institutions

Can Wang

The Hong Kong Polytechnic University, Hong Kong, China

Yuhao Wang

University College London, United Kingdom

Yushe Cao

Tsinghua University, China

Canran Xiao

Sun Yat-sen University, China

Fei Shen

National University of Singapore, Singapore

Problème traité

LaP-Forensics aborde la détection d'images issues de générateurs différents et la localisation d'artefacts au niveau du pixel grâce à une référence de compatibilité explicite. Son objectif est de permettre un raisonnement structuré (où-quoi-pourquoi) s'appuyant sur cette référence, tout en reconnaissant que son utilisation ne suffit pas à elle seule à prouver chaque affirmation d'une explication libre.

Résultat clé

Sur UniversalFakeDetect, la tête d'image atteint une précision de 97,23 % sur les GAN, 71,30 % sur les Deepfakes, 92,18 % sur Diffusion et 98,98 % sur CRN. Selon le protocole officiel SynthScars, la localisation humaine-artefact atteint un mIoU de 61,40 et un score F1 de 66,00. Dans la division contrôlée, la suppression du résidu réduit le mIoU de 72,19 à 61,83 et le score F1 de 63,62 à 41,71 ; le remplacement du résidu par zéro ou une carte donneuse modifie également sensiblement le résultat.

Résumé

Les modèles génératifs récents peuvent produire des images présentant peu d'artefacts visuels évidents, ce qui fragilise les détecteurs et les explications qui se basent uniquement sur l'apparence. Nous présentons LaP-Forensics, un cadre multimodal qui enrichit la sémantique RGB avec des preuves forensiques issues de la reconstruction. Un modèle d'inversion-reconstruction DDIM (Diffusion Stable DDIM) figé fournit une référence de reconstruction fixe, et sa carte résiduelle mesure la compatibilité locale avec cette référence. Des projecteurs indépendants encodent l'image RGB et la carte résiduelle avant qu'un modèle structuré « Où-Quoi-Pourquoi » ne prédise une analyse textuelle et un masque d'artefact. Un ajustement supervisé est suivi d'une optimisation de politique relative de groupe (GRPO), dont la récompense combine le chevauchement du masque avec la structure de sortie et les termes de référence aux preuves. Ces termes textuels incitent le modèle à se référer à la carte de cohérence, mais ne constituent pas un vérificateur de la vérité textuelle libre. Une tête d'analyse distincte au niveau de l'image fusionne les caractéristiques de classe RGB et résiduelles DDIM. Les expériences démontrent une détection inter-générateurs sur UniversalFakeDetect et une localisation d'artefacts compétitive sur le benchmark officiel SynthScars. Les analyses contrôlées de construction d'indices, d'horizon d'inversion, de composantes, de termes de récompense et contrefactuelles confirment l'utilité du flux résiduel dans les paramètres évalués, tandis que la fidélité et la fiabilité textuelles libres après post-traitement restent des limitations ouvertes.

Point de départ de la recherche

Lorsque les images générées perdent leurs défauts de surface évidents, un détecteur basé uniquement sur le RGB ou une explication textuelle peuvent sembler convaincants sans pour autant constituer une preuve médico-légale solide. Pour une analyse en entreprise, un système efficace doit dissocier le score de détection, la localisation spatiale et le compte rendu textuel, tout en indiquant quel signal supplémentaire modifie réellement le résultat.

Méthode

Un processus d'inversion-reconstruction DDIM (Diffusion Stable Impulse) figé produit une carte résiduelle entre l'entrée et la reconstruction. Des projecteurs distincts encodent la sémantique RGB et les données résiduelles ; une branche multimodale génère du texte structuré et un masque, tandis qu'une tête d'image distincte fusionne les caractéristiques de classe pour la détection. Un ajustement supervisé est suivi de récompenses GRPO pour le chevauchement du masque, le format de sortie et les références de données, les tests de référence officiels étant effectués séparément d'un sous-ensemble d'ablation contrôlée plus restreint.

À retenir

Le résidu de reconstruction constitue un second canal d'analyse forensique utile et améliore sensiblement la localisation, mais il ne s'agit ni d'une carte de manipulation calibrée ni d'un signal d'attribution de source. Les équipes doivent privilégier la distinction nette entre détection, localisation et explication, puis tester indépendamment la robustesse du post-traitement et la fidélité textuelle avant d'utiliser la justification générée dans les processus d'examen.

Article 022026-07-23cs.LG

Les signaux physiologiques comme modalité médico-légale pour la détection des deepfakes de visages parlants

arXiv PDF

Auteurs & institutions

Othmane Harraq

Temple University, Philadelphia, Pennsylvania, USA

Tamer Aldwairi

Temple University, Philadelphia, Pennsylvania, USA

Problème traité

Cet article examine si la photopléthysmographie à distance est plus informative pour la détection des falsifications de visages parlants et si les performances restent crédibles lorsque toutes les identités testées sont absentes lors de l'entraînement. Il mesure également la difficulté de détection séparément pour sept méthodes de génération, au lieu de masquer cette variation dans un score global.

Résultat clé

Le réseau ResNet 1D à 165 000 paramètres atteint une AUC de 0,806 ± 0,003 et un EER de 27,8 %, contre une AUC de 0,622 pour le détecteur rPPG reproduit précédemment et de 0,830 pour le modèle Effort générique cité. L’AUC par générateur varie de 0,985 pour Real3DPortrait à 0,690 pour IP-LAP, soit une dispersion stable de 0,295, bien supérieure à la variance de la séquence initiale.

Résumé

La génération de deepfakes à visage parlant (TF) synthétise une vidéo faciale photoréaliste à partir d'une image source statique et d'un signal audio, produisant des contrefaçons que les détecteurs d'images actuels ne parviennent pas à identifier. Contrairement à la manipulation par échange de visage, la synthèse TF ne repose sur aucune vidéo réelle dont hériter les caractéristiques physiologiques, ce qui fait de la photopléthysmographie à distance (rPPG) une modalité de détection particulièrement pertinente pour cette catégorie de contrefaçons. Nous proposons un cadre de détection qui extrait les formes d'onde rPPG de chaque vidéo via RhythmFormer et entraîne une série de classificateurs légers pour distinguer les signaux physiologiques réels des signaux synthétisés. Évalué sur le sous-ensemble TF de Celeb-DF++ selon un protocole strictement indépendant du sujet, où les identités de test sont complètement séparées des identités d'entraînement, notre ResNet 1D atteint une AUC de 0,806 et un EER de 27,8 %, le plaçant à moins de 2,4 points du meilleur détecteur généraliste publié (Effort, ICML 2025) tout en fonctionnant exclusivement sur le canal physiologique. Nous documentons une étude de reproduction contrôlée de DeepFakesON-Phys, le détecteur rPPG représentatif, démontrant une dégradation de l'AUC de 0,999 sur les données d'échange de visages classiques à 0,622 sur le sous-ensemble TF de Celeb-DF++. Nous démontrons en outre que la difficulté de détection dépend fortement de la méthode : l’AUC varie de 0,985 (Real3DPortrait) à 0,690 (IP-LAP) pour les sept générateurs TF, le classement restant parfaitement stable pour tous les protocoles d’évaluation. Cette dispersion reflète une propriété physiologique interprétable de chaque générateur plutôt qu’un bruit d’évaluation, et constitue la principale contribution théorique de ce travail.

Point de départ de la recherche

Les générateurs de visages parlants synthétisent une vidéo complète à partir d'une image fixe et d'un signal audio ; ils risquent donc de ne pas préserver le véritable signal temporel du volume sanguin. Les détecteurs rPPG existants ont principalement été validés sur d'anciens échanges de visages, où la physiologie de la vidéo source sous-jacente peut être conservée et où les fuites d'identité entre les segments peuvent amplifier les résultats.

Méthode

RhythmFormer extrait la forme d'onde de chaque vidéo de visage, puis des classificateurs ResNet et Transformer unidimensionnels légers distinguent la physiologie réelle de la physiologie synthétique. Le sous-ensemble de visages parlants Celeb-DF++ est divisé selon l'identité de la célébrité, 18 identités étant mises de côté pour l'évaluation. Les auteurs reproduisent DeepFakesON-Phys dans les mêmes conditions et effectuent des analyses agrégées et par générateur à partir de cinq germes.

À retenir

La physiologie faciale constitue un canal complémentaire et interprétable, et non une réponse isolée. Elle s'apparente à un détecteur visuel plus étendu avec très peu de paramètres, mais certains générateurs préservent suffisamment bien les signaux pseudo-périodiques pour que les résultats soient proches du hasard ; les systèmes de production devraient fusionner les données rPPG avec des informations spatiales, fréquentielles et audiovisuelles, et les valider en fonction de l'identité et du générateur.

Article 032026-07-18cs.CV

InfoDense : Relecture décisive régionale prenant en compte la densité pour une détection incrémentale de falsification de visage économe en mémoire

arXiv PDF

Auteurs & institutions

Jikang Cheng

Peking University, China

Hao Shen

Huazhong Agricultural University, China

Xueyi Zhang

National University of Singapore, Singapore

Guangcheng Wang

Nantong University, China

Zhongyuan Wang

Wuhan University, China

Renye Yan

Peking University, China

Baojin Huang

Huazhong Agricultural University, China

Problème traité

InfoDense redéfinit la relecture comme un problème de densité d'information : conserver les régions compactes qui contiennent des preuves de manipulation, sélectionner un ensemble diversifié de ces régions et les combiner avec des échantillons de la tâche actuelle sans introduire le biais de domaine associé à une mémoire tampon d'anciennes images complètes.

Résultat clé

Selon le protocole principal, InfoDense affiche une AUC moyenne de 90,42 % sur des ensembles de données incrémentaux, soit une baisse de performance de 4,52 points, et une AUC moyenne de 90,03 % sur l'ensemble des données. L'article fait état de performances comparables après une réduction de 80 % du stockage et d'une diversité de relecture jusqu'à dix fois supérieure à stockage égal. Le stockage des fragments permet également de réduire le rappel lors de la récupération d'identité à moins de 0,02 % dans l'analyse de confidentialité présentée.

Résumé

L'évolution rapide des techniques de falsification faciale a engendré une variété croissante de manipulations. La détection incrémentale de falsification faciale (IFFD), qui intègre progressivement de nouvelles données de falsification pour affiner les modèles précédemment entraînés, s'est révélée une approche prometteuse pour contrer l'évolution des menaces liées à la falsification. Cependant, les méthodes IFFD classiques basées sur la relecture souffrent d'un oubli catastrophique. Le stockage d'images historiques complètes avec une mémoire limitée ne permet souvent pas de préserver les indices subtils de falsification ou introduit un biais de domaine, réduisant ainsi la capacité du modèle à apprendre les caractéristiques intrinsèques et transférables des manipulations. Dans cet article, nous proposons une stratégie de relecture régionale décisive prenant en compte la densité, appelée InfoDense, pour relever ces défis. InfoDense priorise les régions riches en artefacts et critiques pour la falsification, réduisant considérablement les besoins de stockage tout en préservant la haute fidélité des preuves de falsification. Nous introduisons d'abord InfoDense Cut pour localiser les zones décisives à l'aide d'embeddings basés sur CLIP. Ensuite, InfoDense Select classe les segments candidats en combinant la représentativité de l'espace latent et le nombre de patchs décisifs, garantissant ainsi la diversité et la densité d'information dans le tampon de relecture. Enfin, InfoDense Fuse reconstruit des entrées d'entraînement non biaisées en fusionnant de manière adaptative les segments stockés avec les échantillons de la tâche en cours, améliorant ainsi la rétention des connaissances et la généralisation. De nombreuses expériences sur des benchmarks de deepfakes incrémentaux complexes démontrent qu'InfoDense atténue efficacement l'oubli catastrophique tout en améliorant la généralisation inter-domaines.

Point de départ de la recherche

Les détecteurs de deepfakes nécessitent des mises à jour régulières à mesure que de nouvelles méthodes de manipulation apparaissent. Cependant, la relecture complète d'images historiques de visages consomme de la mémoire, conserve des informations identifiables et peut encore saturer la mémoire tampon avec l'arrière-plan ou des éléments superflus de la structure faciale. Avec un budget de stockage fixe, un détecteur doit préserver les indices subtils de contrefaçon sans pour autant négliger les tâches précédentes.

Méthode

InfoDense Cut utilise les plongements de patchs CLIP et le texte relatif à la falsification pour évaluer les régions décisives. InfoDense Select classe les segments candidats selon leur représentativité dans l'espace latent et le nombre de patchs décisifs. InfoDense Fuse reconstruit les données d'entraînement en combinant les segments historiques stockés avec les échantillons actuels, augmentant ainsi le nombre d'images sources représentées avec la même quantité de mémoire. L'évaluation suit des séquences de falsification incrémentales et des tests inter-jeux de données distincts.

À retenir

La relecture au niveau régional est intéressante pour un détecteur qui doit apprendre en continu sous contraintes de stockage ou de confidentialité. Son intérêt lors du déploiement dépend de la pertinence des patchs sélectionnés après compression, modifications de politiques et post-traitement adverse, mais elle offre une alternative concrète à la conservation de l'historique complet des visages.