← Retour au Blog

Radar de rechercheDétection des faux profondsarXivoctobre 2026

Radar arXiv mensuel

Documents de détection des Deepfakes d'octobre 2026 : analyses approfondies, longues vidéos et visages partiels

Les recherches sur la détection d'octobre élargissent le modèle de menace dans trois directions. Venus-DefakerOne2 unifie les médias et les formes d'attaque, AV-FABLE demande aux systèmes de localiser de courtes modifications audio et visuelles dans une longue vidéo de scène ouverte, et RLDF teste si un détecteur remarque quand seule une petite région du visage est modifiée.

Ce que révèle ce mois-ci

Venus-DefakerOne2 rapporte un modèle dans six domaines médico-légaux, dont une précision équilibrée de 96,7 % sur les visages deepfake et 96,0 % sur la vidéo générée par l'IA, bien que son échelle et ses données internes rendent une validation indépendante essentielle. AV-FABLE ajoute 998 heures de vidéos jumelles de longue durée avec des chronologies audio et visuelles séparées ; les sorties en langage zéro restent quasiment aléatoires tandis que les lectures supervisées des fonctionnalités gelées atteignent 91,30 mAP. RLDF montre que limiter un échange à une sous-région faciale diminue les détecteurs existants de 10,5 points AUC en moyenne. La leçon partagée en matière d’approvisionnement consiste à tester la couverture des menaces, la localisation temporelle, l’attribution des modalités et la taille de la zone manipulée plutôt que d’accepter une précision globale.

Article 012026-10-27cs.CV

Venus-DefakerOne2 : un modèle de fondation pour l’analyse forensique visuelle à couverture élargie

Auteurs & institutions

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

Problème traité

Venus-DefakerOne2 vise à fournir un modèle de base médico-légal binaire pour la contrefaçon numérique et physique dans les images et les vidéos. Le défi consiste à ajouter des domaines et des échantillons difficiles sans oubli catastrophique ni imposer une interface de prédiction sur chaque type de média.

Résultat clé

Le document rapporte une précision équilibrée de 96,7 % pour les visages deepfakes, 93,3 % pour les images générées par l'IA, 87,6 % pour les documents falsifiés, 89,6 % pour les images naturelles manipulées, 93,1 % pour les usurpations physiques et 96,0 % pour les vidéos générées par l'IA. Dans les deux grands domaines mis en évidence, la contrefaçon physique s'améliore de 60,8 % à 93,1 % pour DefakerOne, et la détection de vidéos IA de 72,5 % à 96,0 %.

Résumé

La contrefaçon dans le monde réel est par nature hétérogène : elle se manifeste non seulement par des manipulations numériques, mais également par une usurpation physique, et est véhiculée non seulement par des images mais également par des vidéos. Malgré des progrès substantiels, il n’existe toujours pas de modèle unifié de fondation anti-contrefaçon couvrant un spectre de menaces aussi large. Dans cet article, nous présentons Venus-DefakerOne2, qui étend considérablement les limites des capacités médico-légales dans les dimensions de la contrefaçon et du type de support. Formé sur des dizaines de millions d’échantillons open source et internes, il intègre deux conceptions clés. Tide-Style-Tuning alterne LoRA et le réglage fin des paramètres complets pour équilibrer l'efficacité de calcul, la généralisation et l'ajustement d'échantillons précis tout en atténuant les oublis catastrophiques. L'adaptation de test basée sur l'entropie détermine la modalité de prédiction optimale en analysant l'entropie de prédiction. Venus-DefakerOne2 atteint de nouvelles performances de pointe sur une suite complète de références, notamment les visages DeepFake (96,7 %), les images générées par l'IA (93,3 %), les documents falsifiés (87,6 %), les images naturelles manipulées (89,6 %), les usurpations physiques (93,1 %) et les vidéos générées par l'IA (96,0 %). Il surpasse considérablement les modèles experts spécialisés et son prédécesseur, DefakerOne, s'imposant comme un modèle de base puissant et polyvalent pour les tâches médico-légales de décision binaire.

Point de départ de la recherche

Le contrôle opérationnel des contrefaçons couvre les faux visages, les images et vidéos générées, les documents édités, la falsification d’images naturelles et les attaques de présentation physique. Des modèles spécialisés distincts augmentent les coûts d’intégration et peuvent laisser des angles morts incohérents entre les médias et les formes d’attaque.

Méthode

Le modèle est formé sur des dizaines de millions d’échantillons open source et internes. Tide-Style-Tuning alterne les phases LoRA efficaces en termes de paramètres avec un réglage fin de tous les paramètres pour préserver une large généralisation tout en s'adaptant aux cas difficiles. L'adaptation des tests basée sur l'entropie compare les modalités de prédiction disponibles et sélectionne la voie la moins incertaine ; des composants supplémentaires prennent en charge l'agrégation vidéo et la localisation au niveau des pixels.

À retenir

Un détecteur de bases larges peut simplifier une pile d'évaluation multimédia, mais la moyenne globale couvre de nombreux points de référence et inclut des données de formation internes. L'évaluation d'entreprise nécessite toujours des seuils, un calibrage, une latence et des tests spécifiques aux attaques sur des générateurs et des périphériques de capture invisibles.

Article 022026-10-24cs.CV

AV-FABLE : analyse forensique des manipulations audio et visuelles dans les vidéos longues

Auteurs & institutions

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

Problème traité

AV-FABLE définit des chronologies de localisation audio et visuelle distinctes pour les manipulations éparses dans une vidéo en scène ouverte à l'échelle d'une minute. Il teste la détection, la localisation temporelle, l'attribution de modalités et la génération de preuves dans le domaine et sous la source, le générateur, l'itinéraire et le changement d'ensemble de données externe.

Résultat clé

Le benchmark contient 16 650 paires de jumeaux parfaitement manipulés, 33 300 vidéos et 998,1 heures ; la vidéo médiane est de 88 secondes et la manipulation en couvre 9,45 %. Les modèles de langage audiovisuel zéro-shot n'atteignent que 51-52 AUROC et au maximum 0,30 mAP, bien que les sondes linéaires récupèrent 90,8 AUROC audio et 80,8 visuel AUROC. NFSR atteint 91,30 mAP audiovisuel et 96,04 AUROC de détection dans le domaine et est en tête des trois paramètres hors distribution.

Résumé

Les manipulations localisées de l'IA dans les vidéos longues affectent souvent de brefs événements au sein d'un contenu par ailleurs authentique, ce qui rend la classification au niveau de la vidéo insuffisante pour une analyse médico-légale. Les références existantes en matière de deepfake audiovisuel se concentrent en grande partie sur de courts clips de têtes parlantes, tandis que les analyses temporelles de longue durée restent principalement visuelles. Nous présentons AV-FABLE, une référence à double chronologie pour les manipulations éparses dans les vidéos audiovisuelles longues de scène ouverte. AV-FABLE contient 16 650 paires de jumeaux manipulés vierges (998 heures) créées avec 27 configurations d'édition, avec des chronologies audio et visuelles distinctes qui permettent une localisation temporelle spécifique à la modalité et exposent les erreurs masquées par l'évaluation conjointe de la chronologie. Sur AV-FABLE, l'invite sans tir de modèles de langage audiovisuels à grande échelle (AV-LLM) donne lieu à une détection quasi-chanceuse et à une mauvaise localisation temporelle. En revanche, les lectures supervisées de leurs caractéristiques de perception figées récupèrent de puissants signaux médico-légaux, suggérant que les preuves de manipulation sont codées dans ces représentations mais ne sont pas efficacement exposées via les sorties linguistiques. Motivés par cette observation, nous proposons NFSR (Native Forensics via Separated Readouts), qui lit les fonctionnalités AV-LLM gelées avec des décodeurs temporels audio et visuels séparés. NFSR atteint les meilleures performances de localisation audiovisuelle dans le domaine et dans les trois paramètres hors distribution, y compris le transfert vers des vidéos suspendues à partir d'une référence médico-légale externe de vidéos longues. AV-FABLE, les poids des codes et des modèles seront rendus publics.

Point de départ de la recherche

Quelques secondes forgées à l’intérieur d’une longue vidéo pour l’essentiel authentique peuvent en changer le sens, et des modifications audio et visuelles peuvent survenir à des moments différents. Une seule étiquette vidéo ou une chronologie partagée ne peut pas indiquer à un enquêteur quelle modalité a été modifiée et peut récompenser un modèle pour avoir trouvé le bon moment sur le mauvais flux.

Méthode

SEE-Forge sélectionne les événements naturels, planifie un montage localisé, l'achemine vers l'une des 27 configurations d'édition audio ou visuelle, le réinsère dans son contexte et associe chaque sortie manipulée à une exportation vierge correspondante. NFSR lit ensuite les caractéristiques figées du modèle de langage audiovisuel avec des décodeurs temporels séparés, combinant des représentations intermédiaires et d'interface et conditionnant les preuves locales sur la vidéo hôte.

À retenir

AV-FABLE permet d’évaluer les outils qui doivent indiquer l’intervalle modifié et la piste concernée, plutôt que simplement signaler un fichier. Il montre aussi que des indices forensiques présents dans un modèle de fondation ne sont pas forcément accessibles par une requête sans exemples.

Article 032026-10-15cs.CV

RLDF : un ensemble de données Deepfake au niveau régional et une référence pour la détection de manipulations partielles du visage

Auteurs & institutions

Shukesh Reddy

Machine Intelligence Group, BITS Pilani, Hyderabad Campus

Abhijit Das

Machine Intelligence Group, BITS Pilani, Hyderabad Campus

Problème traité

RLDF fournit des étiquettes de région et une vérité spatiale de terrain pour les échanges partiels de visage et vérifie si les détecteurs établis sont transférés à partir de références complètes. Il fournit également une base de référence tenant compte de la localisation pour apprendre à partir de la petite zone forgée plutôt que d'en faire la moyenne.

Résultat clé

Sur 12 détecteurs, les tests au niveau régional entraînent une baisse moyenne de l’ASC de 10,5 points de pourcentage et une baisse de précision de 10 points par rapport à l’évaluation conventionnelle. FatFormer tombe à 0,745 AUC et DFD-FCG à 0,806 sur RLDF. La base de référence guidée par masque établit que la supervision spatiale explicite peut récupérer un signal utile, mais l'article la positionne comme un point de départ plutôt que comme un détecteur résolu.

Résumé

Les modèles de détection de deepfake existants sont construits sur des images manipulées qui sont falsifiées soit exclusivement avec des visages entièrement échangés, soit entièrement synthétisés, ce qui nous amène à une question ouverte : les modèles de deepfake disponibles dans le commerce peuvent-ils détecter efficacement la manipulation alors que la falsification est confinée à une sous-région faciale locale ? Pour combler cette lacune, nous introduisons RLDF (Region-Level Deepfake), le premier ensemble de données pour l'évaluation des deepfakes au niveau régional. En utilisant le modèle de synthèse d'échange partiel sensible à la région proposé, nous générons plus de 2 millions d'images d'échange de visage partiel en utilisant huit méthodes d'échange de visage. Au total, nous avons considéré sept régions du visage, parmi lesquelles quatre régions discrètes (œil, nez, bouche et sourcil) et quatre régions faciales composites (œil et nez ; œil, nez et bouche ; œil, nez, bouche et sourcil ; et visage complet). En outre, nous définissons trois protocoles d'évaluation et comparons 12 détecteurs de pointe à travers les cinq évaluations d'ensembles de données croisées standards populaires, DF40 et le RLDF proposé, fournissant un audit complet de où et pourquoi les détecteurs existants ont sous-performé. Notre évaluation révèle que les détecteurs existants ne parviennent pas à généraliser de manière cohérente dans les régions faciales partielles, ce qui entraîne une baisse globale de 10,5 % de l'ASC et de 10 % de précision lors de l'évaluation au niveau régional. De plus, nous proposons un modèle d’attention croisée guidé par masque comme approche de base capable de détecter efficacement les manipulations au niveau de la région. L'ensemble de données, le code et les points de contrôle proposés sont disponibles sur https://github.com/RLDF-Dataset/RLDF.

Point de départ de la recherche

La plupart des benchmarks deepfake remplacent ou synthétisent un visage entier, afin que les détecteurs puissent apprendre de vastes artefacts globaux. Les outils d'édition modernes ne peuvent modifier que les yeux, la bouche, le nez ou une autre petite région, laissant les pixels authentiques dominer l'image et rendant un classificateur global confiant beaucoup moins fiable.

Méthode

L'ensemble de données applique huit méthodes d'échange de visages à 1 000 paires vidéo source-cible, puis utilise l'analyse des visages, la dilatation et la fusion douce pour reconstituer huit régions faciales individuelles ou composites dans des images cibles authentiques. Cela produit 2 048 000 fausses images avec des fractionnements d’entraînement, de validation et de test d’identité disjoints. Une ligne de base CLIP ViT-L/14 prédit un masque de contrefaçon de patch et l'utilise pour guider l'attention croisée avant la décision finale, réelle ou fausse.

À retenir

La manipulation partielle du visage devrait être un test d’acceptation distinct pour tout produit deepfake. RLDF démontre que de forts scores complets ne garantissent pas la sensibilité à une petite région éditée et fournissent les masques nécessaires pour former et inspecter les décisions localisées.