Cercetătorii Identifică o Trăsătură Rezilientă a Deepfake-urilor care Ar Putea Ajuta la Detectarea pe Termen Lung

De la apariția primelor soluții de detectare a deepfake-urilor în 2018, sectorul de cercetare în domeniul viziunii computaționale și securității a încercat să definească o caracteristică esențială a videourilor deepfake – semnale care ar putea fi rezistente la îmbunătățirile tehnologiilor de sinteză facială populare (cum ar fi pachetele deepfake bazate pe autoencoder, cum ar fi DeepFaceLab și FaceSwap, și utilizarea Rețelelor Adversative Generative pentru a recrea, simula sau altera fețele umane).

Multe dintre “indicii”, cum ar fi lipsa de clipe, au devenit învechite datorită îmbunătățirilor aduse deepfake-urilor, în timp ce utilizarea potențială a tehnicilor de proveniență digitală (cum ar fi Inițiativa de Autenticitate a Conținutului condusă de Adobe) – inclusiv abordări bazate pe blockchain și marcarea digitală a watermark a fotografiilor sursă potențiale – ar necesita schimbări ample și costisitoare ale corpului existent de imagini sursă disponibile pe internet, sau ar necesita eforturi cooperative semnificative între națiuni și guverne pentru a crea sisteme de supraveghere și autentificare.

Prin urmare, ar fi foarte util dacă o trăsătură fundamentală și rezilientă ar putea fi descoperită în conținutul de imagine și video care prezintă fețe umane modificate, inventate sau schimbate de identitate; o caracteristică care ar putea fi dedusă direct din videourile falsificate, fără verificare la scară largă, hasharea activelor criptografice, verificarea contextului, evaluarea plauzibilității, rutinele de detectare a artefactelor sau alte abordări laborioase pentru detectarea deepfake-urilor.

Deepfakes în cadru

O nouă colaborare de cercetare între China și Australia consideră că a găsit acest “sfânt graal”, sub forma întreruperii regularității.

Autorii au conceput o metodă de comparare a integrității spațiale și a continuității temporale a videourilor reale cu cele care conțin conținut deepfake, și au descoperit că orice fel de interferență deepfake perturbă regularitatea imaginii, oricât de imperceptibil.

Acest lucru se datorează în parte faptului că procesul de deepfake descompune videoul țintă în cadre și aplică efectul unui model de deepfake antrenat în fiecare cadru (înlocuit). Distribuțiile populare de deepfake acționează în același mod ca animatorii, în acest sens, acordând mai multă atenție autenticității fiecărui cadru decât contribuției fiecărui cadru la integritatea spațială și continuitatea temporală a videoului.

… (rest of the translation remains the same, following the exact structure and rules provided)