← Назад в Блог

Исследовательский радарОбнаружение дипфейковarXivИюнь 2026

Ежемесячный радар arXiv

Обнаружение дипфейков в июне 2026: lip-sync localization, POI forensics и fair calibration

Работы уходят от universal classifier к operational evidence: локализовать mouth edits, сравнивать с trusted identity references и калибровать fairness.

Что показывает этот месяц

Месяц указывает на layered defense: localize small manipulations, use identity references и calibrate decisions, чтобы errors не концентрировались.

Статья 012026-06-22cs.CV

LoCC: обнаружение и локализация lip-sync deepfakes через counterfactual frame consistency

Авторы и организации

Soumyya Kanti Datta

University at Buffalo, State University of New York

Shan Jia

University at Buffalo, State University of New York

Siwei Lyu

University at Buffalo, State University of New York

Какую задачу решает

Работа решает fine-grained localization: reviewers хотят знать fake frames/segments, не только video-level label.

Ключевой результат

Авторы сообщают SOTA на LAV-DF, AVDF1M, FakeAVCeleb и KODF, с generalization across compression levels and datasets.

Аннотация

LoCC обнаруживает lip-sync deepfakes, проверяя, согласован ли каждый mouth frame с counterfactual reconstruction из temporal neighbors. Используются diffusion, teacher-student и transformer aggregation.

Отправная точка исследования

Lip-sync manipulations сложны: меняется только mouth region и segment может быть коротким, поэтому holistic detectors пропускают local inconsistency.

Метод

LoCC обучает diffusion на real mouth frames для middle-frame prediction. Teacher учит segment inconsistency, student делает frame-wise predictions, transformer агрегирует long context.

Вывод по статье

LoCC полезен для forensics: дает localized evidence, а не один opaque score. Counterfactual framing особенно подходит для short-form и partially edited videos.

Статья 022026-06-18cs.CV

CUPID: реконструкция UV texture maps для интерпретируемого POI deepfake detection

Авторы и организации

Giovanni Affatato

Dipartimento di Elettronica, Informazione e Bioingegneria (DEIB), Politecnico di Milano, Milan, Italy

Sara Mandelli

Dipartimento di Elettronica, Informazione e Bioingegneria (DEIB), Politecnico di Milano, Milan, Italy

Edoardo Daniele Cannas

Dipartimento di Elettronica, Informazione e Bioingegneria (DEIB), Politecnico di Milano, Milan, Italy

Paolo Bestagini

Dipartimento di Elettronica, Informazione e Bioingegneria (DEIB), Politecnico di Milano, Milan, Italy

Stefano Tubaro

Dipartimento di Elettronica, Informazione e Bioingegneria (DEIB), Politecnico di Milano, Milan, Italy

Какую задачу решает

Работа решает три ограничения POI detection: robustness to post-processing, efficient inference и explanations по facial regions.

Ключевой результат

На четырех deepfake datasets авторы сообщают SOTA на большинстве, лучшую robustness к downscaling/compression и faster inference.

Аннотация

CUPID сравнивает query video с pristine reference videos той же личности. Лицо представлено UV texture maps из 3D reconstructions, latent space учится Masked Autoencoder.

Отправная точка исследования

Public figures и executives — цели targeted deepfakes; investigators часто имеют real reference footage, которое POI detector использует лучше generic detectors.

Метод

В обучении CUPID использует только real videos многих subjects, без fakes и без target POI. На inference UV embeddings matched to references, residual maps показывают suspicious regions.

Вывод по статье

CUPID привлекателен для enterprise/public-sector verification: дает decision и interpretable facial residual. Это важно для human review, объяснений и degraded videos.

Статья 032026-06-03cs.LG

Калиброванное, справедливое и точное обнаружение дипфейков

Авторы и организации

Ryan Brown

University of Oxford

Chris Russell

University of Oxford

Какую задачу решает

Работа решает deployment friction fairness methods: demographic attributes, retraining или accuracy sacrifice.

Ключевой результат

В in-domain и cross-dataset tests Face-Fairness снижает FPR/TPR gaps, улучшает minimum-group accuracy и сохраняет/улучшает overall accuracy с negligible overhead.

Аннотация

Работа вводит Face-Fairness, plug-in post-processing для bias mitigation deepfake detectors. Face-Feature Tuning remaps logits легким calibrator по frozen face embeddings без demographic labels и retraining.

Отправная точка исследования

Покупателям deepfake detectors нужны calibrated scores и fair error rates, не только aggregate accuracy, потому что ошибки концентрируются по demographic groups.

Метод

Фреймворк включает FFT label-free calibration, FF-Max с group labels и FF-Discover через embedding clusters. Все работают post-detector, base model unchanged.

Вывод по статье

Face-Fairness полезен, потому что отражает реальность procurement: base model может быть closed или дорогим для retraining. Post-processing calibrator без identity labels помогает governance, audits и rollout.