← Voltar ao Blog

Radar de pesquisaDetecção de deepfakearXivOutubro de 2026

Radar arXiv mensal

Artigos de detecção de Deepfake de outubro de 2026: análise forense ampla, vídeos longos e rostos parciais

A pesquisa de detecção de outubro amplia o modelo de ameaças em três direções. Venus-DefakerOne2 unifica mídia e formas de ataque, AV-FABLE solicita aos sistemas que localizem pequenas edições de áudio e visuais em longos vídeos de cena aberta e RLDF testa se um detector percebe quando apenas uma pequena região facial é alterada.

O que este mês sinaliza

Venus-DefakerOne2 relata um modelo em seis domínios forenses, incluindo 96,7% de precisão balanceada em rostos deepfake e 96,0% em vídeos gerados por IA, embora sua escala e dados internos tornem a validação independente essencial. AV-FABLE adiciona 998 horas de vídeos duplos de formato longo com cronogramas de áudio e visuais separados; as saídas de linguagem zero-shot permanecem quase aleatórias, enquanto as leituras supervisionadas de recursos congelados atingem 91,30 mAP. O RLDF mostra que limitar uma troca a uma sub-região facial reduz os detectores existentes em 10,5 pontos AUC, em média. A lição de aquisição compartilhada é testar a cobertura de ameaças, a localização temporal, a atribuição de modalidade e o tamanho da área manipulada, em vez de aceitar uma precisão agregada.

Artigo 012026-10-27cs.CV

Venus-DefakerOne2: um modelo fundacional de análise forense visual com cobertura ampliada

Autores e instituições

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

Que problema resolve

Venus-DefakerOne2 visa fornecer um modelo de base forense binária através de falsificação digital e física em imagens e vídeos. O desafio é adicionar domínios e amostras difíceis sem um esquecimento catastrófico ou forçar uma interface de previsão em cada tipo de mídia.

Resultado-chave

O artigo relata uma precisão equilibrada de 96,7% para rostos deepfake, 93,3% para imagens geradas por IA, 87,6% para documentos adulterados, 89,6% para imagens naturais manipuladas, 93,1% para falsificações físicas e 96,0% para vídeos gerados por IA. Nos dois domínios amplos destacados, a falsificação física melhora de 60,8% para 93,1% do DefakerOne, e a detecção de vídeo por IA de 72,5% para 96,0%.

Resumo

A falsificação do mundo real é inerentemente heterogénea: manifesta-se não apenas como manipulação digital, mas também como falsificação física, e é transmitida não apenas por imagens, mas também por vídeos. Apesar dos progressos substanciais, continua ausente um modelo unificado de base anti-falsificação que cubra um espectro tão amplo de ameaças. Neste artigo, apresentamos Venus-DefakerOne2, que estende substancialmente o limite da capacidade forense ao longo das dimensões da forma de falsificação e do tipo de mídia. Treinado em dezenas de milhões de amostras internas e de código aberto, ele incorpora dois designs principais. O Tide-Style-Tuning alterna LoRA e ajuste fino de parâmetros completos para equilibrar eficiência computacional, generalização e ajuste de amostra difícil, ao mesmo tempo que mitiga o esquecimento catastrófico. A adaptação de teste baseada em entropia determina a modalidade de predição ideal analisando a entropia de predição. Venus-DefakerOne2 alcança um novo desempenho de última geração em um conjunto abrangente de benchmarks, incluindo rostos DeepFake (96,7%), imagens geradas por IA (93,3%), documentos adulterados (87,6%), imagens naturais manipuladas (89,6%), falsificações físicas (93,1%) e vídeos gerados por IA (96,0%). Ele supera significativamente os modelos especializados especializados e seu antecessor, DefakerOne, estabelecendo-se como um modelo básico poderoso e versátil para tarefas forenses de decisão binária.

Ponto de partida da pesquisa

A triagem operacional de falsificações abrange rostos deepfake, imagens e vídeos gerados, documentos editados, adulteração de imagens naturais e ataques de apresentação física. Modelos especializados separados aumentam o custo de integração e podem deixar pontos cegos inconsistentes nas mídias e nas formas de ataque.

Método

O modelo é treinado em dezenas de milhões de amostras internas e de código aberto. O Tide-Style-Tuning alterna fases LoRA com parâmetros eficientes com ajuste fino de parâmetros completos para preservar a ampla generalização enquanto ajusta casos difíceis. A adaptação do teste baseado em entropia compara as modalidades de previsão disponíveis e seleciona a rota de menor incerteza; componentes adicionais suportam agregação de vídeo e localização em nível de pixel.

Síntese do artigo

Um detector de base ampla pode simplificar uma pilha de análises multimídia, mas a média do título abrange muitos benchmarks e inclui dados de treinamento interno. A avaliação empresarial ainda precisa de limites específicos de ataque, calibração, latência e testes em geradores e dispositivos de captura invisíveis.

Artigo 022026-10-24cs.CV

AV-FABLE: Manipulação Forense Audiovisual em Vídeos Longos

Autores e instituições

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

Que problema resolve

AV-FABLE define cronogramas de localização de áudio e visual separados para manipulações esparsas em vídeos de cena aberta em escala de minutos. Ele testa detecção, localização temporal, atribuição de modalidade e geração de evidências no domínio e sob fonte, gerador, rota e mudança de conjunto de dados externo.

Resultado-chave

O benchmark contém 16.650 pares de gêmeos manipulados, 33.300 vídeos e 998,1 horas; a mediana do vídeo é de 88 segundos e a manipulação cobre 9,45% dele. Os modelos de linguagem audiovisual de tiro zero atingem apenas 51-52 AUROC e no máximo 0,30 mAP, embora as sondas lineares recuperem 90,8 AUROC de áudio e 80,8 AUROC visual. NFSR atinge 91,30 mAP audiovisual e 96,04 AUROC de detecção no domínio e lidera todas as três configurações fora de distribuição.

Resumo

Manipulações localizadas de IA em vídeos longos geralmente afetam eventos breves em conteúdo que de outra forma seria autêntico, tornando a classificação em nível de vídeo insuficiente para análise forense. Os benchmarks audiovisuais de deepfake existentes concentram-se principalmente em clipes curtos de falantes, enquanto a análise forense temporal de formato longo permanece predominantemente visual. Apresentamos AV-FABLE, um benchmark de linha de tempo dupla para manipulações esparsas em vídeos audiovisuais longos de cena aberta. AV-FABLE contém 16.650 pares de gêmeos manipulados de forma pura (998 horas) criados com 27 configurações de edição, com linhas de tempo de áudio e visuais separadas que permitem localização temporal específica da modalidade e expõem erros ocultos pela avaliação de linha de tempo conjunta. No AV-FABLE, a solicitação de disparo zero de modelos audiovisuais de linguagem grande (AV-LLMs) produz detecção de quase acaso e localização temporal deficiente. Em contraste, as leituras supervisionadas das suas características de percepção congelada recuperam fortes sinais forenses, sugerindo que a evidência de manipulação está codificada nestas representações, mas não é eficazmente exposta através de resultados de linguagem. Motivados por esta observação, propomos o NFSR (Native Forensics via Separated Readouts), que lê recursos AV-LLM congelados com decodificadores temporais de áudio e visuais separados. O NFSR alcança o melhor desempenho de localização audiovisual no domínio e em todas as três configurações fora de distribuição, incluindo a transferência para vídeos retidos de um benchmark externo forense de vídeos longos. AV-FABLE, código e pesos do modelo serão divulgados publicamente.

Ponto de partida da pesquisa

Alguns segundos forjados em um vídeo longo e autêntico podem mudar seu significado, e edições de áudio e visuais podem ocorrer em momentos diferentes. Um único rótulo de vídeo ou linha do tempo compartilhada não pode dizer a um investigador qual modalidade foi alterada e pode recompensar um modelo por encontrar o momento certo na transmissão errada.

Método

O SEE-Forge seleciona eventos naturais, planeja uma edição localizada, encaminha-a para uma das 27 configurações de edição de áudio ou visual, reinsere-a no contexto e emparelha cada saída manipulada com uma exportação original correspondente. O NFSR então lê recursos de modelos de linguagem audiovisuais congelados com decodificadores temporais separados, combinando representações intermediárias e de interface e condicionando evidências locais no vídeo host.

Síntese do artigo

AV-FABLE avalia ferramentas que precisam apontar o intervalo adulterado e a faixa afetada, não apenas sinalizar um arquivo. Também mostra que indícios forenses presentes em um modelo fundacional podem não ser recuperados por consultas sem exemplos prévios.

Artigo 032026-10-15cs.CV

RLDF: um conjunto de dados Deepfake em nível de região e referência para detecção de manipulação parcial de face

Autores e instituições

Shukesh Reddy

Machine Intelligence Group, BITS Pilani, Hyderabad Campus

Abhijit Das

Machine Intelligence Group, BITS Pilani, Hyderabad Campus

Que problema resolve

O RLDF fornece rótulos de região e informações espaciais para trocas parciais de face e auditorias se os detectores estabelecidos são transferidos de benchmarks full-face. Ele também fornece uma linha de base com reconhecimento de localização para aprender a partir da pequena área forjada, em vez de calcular a média.

Resultado-chave

Em 12 detectores, os testes em nível regional causam uma queda média de 10,5 pontos percentuais na AUC e uma queda na precisão de 10 pontos em relação à avaliação convencional. FatFormer cai para 0,745 AUC e DFD-FCG para 0,806 em RLDF. A linha de base guiada por máscara estabelece que a supervisão espacial explícita pode recuperar sinais úteis, mas o artigo a posiciona como um ponto de partida e não como um detector resolvido.

Resumo

Os modelos de detecção de deepfake existentes são construídos sobre imagens manipuladas que são adulteradas exclusivamente com rostos totalmente trocados ou totalmente sintetizados, o que nos leva a uma questão em aberto: os modelos de deepfake disponíveis no mercado podem detectar a manipulação de forma eficaz enquanto a adulteração está confinada a uma sub-região facial local? Para preencher essa lacuna, apresentamos o RLDF (Region-Level Deepfake), o primeiro conjunto de dados para avaliação de deepfake em nível de região. Empregando o modelo proposto de síntese de troca parcial com reconhecimento de região, geramos mais de 2 milhões de imagens de troca parcial de face usando oito métodos de troca de face. Ao todo, consideramos sete regiões faciais, entre as quais existem quatro regiões discretas (olho, nariz, boca e sobrancelha) e quatro regiões faciais compostas (olho e nariz; olho, nariz e boca; olho, nariz, boca e sobrancelha; e face completa). Além disso, definimos três protocolos de avaliação e comparamos 12 detectores de última geração nas cinco avaliações padrão populares de conjuntos de dados cruzados, DF40, e o RLDF proposto, fornecendo uma auditoria abrangente de onde e por que os detectores existentes tiveram desempenho inferior. Nossa avaliação revela que os detectores existentes não conseguem generalizar consistentemente em regiões faciais parciais, resultando em uma queda geral de 10,5% de AUC e 10% de precisão na avaliação em nível de região. Além disso, propomos um modelo de atenção cruzada guiado por máscara como uma abordagem básica que pode detectar efetivamente a manipulação em nível de região. O conjunto de dados, código e pontos de verificação propostos estão disponíveis em https://github.com/RLDF-Dataset/RLDF.

Ponto de partida da pesquisa

A maioria dos benchmarks deepfake substituem ou sintetizam um rosto inteiro, para que os detectores possam aprender amplos artefatos globais. As ferramentas de edição modernas podem alterar apenas os olhos, boca, nariz ou outra região pequena, deixando pixels autênticos dominando a imagem e tornando um classificador global confiável muito menos confiável.

Método

O conjunto de dados aplica oito métodos de troca de rosto a 1.000 pares de vídeo origem-alvo e, em seguida, usa análise facial, dilatação e mistura suave para compor oito regiões faciais individuais ou compostas de volta em quadros de destino autênticos. Isso produz 2.048.000 imagens falsas com treinamento, validação e divisões de teste disjuntas de identidade. Uma linha de base do CLIP ViT-L/14 prevê uma máscara de falsificação de patch e a utiliza para orientar a atenção cruzada antes da decisão final entre real ou falso.

Síntese do artigo

A manipulação parcial da face deve ser um teste de aceitação separado para qualquer produto deepfake. O RLDF demonstra que pontuações fortes em toda a face não garantem sensibilidade a uma pequena região editada e fornece as máscaras necessárias para treinar e inspecionar decisões localizadas.