Deepfake Forensics: Integração de Técnicas de Visão Computacional e Aprendizado Não Supervisionado para Análise de Autenticidade de Vídeos
Deepfake Forensics: Integration of Computer Vision and Unsupervised Learning Techniques for Video Authenticity Analysis
DOI:
https://doi.org/10.51473/rcmos.v1i1.2023.1869Palavras-chave:
Deepfake Forensics; Aprendizado Não Supervisionado; Visão Computacional; Autoencoders; Detecção de Anomalias; Segurança Cibernética; Geração Zero.Resumo
O cenário das deepfakes exige uma mudança de paradigma na detecção, movendo-se de modelos de Aprendizado Supervisionado (AS) que buscam artefatos conhecidos para sistemas baseados em Aprendizado Não Supervisionado (ANS), capazes de identificar anomalias e desvios estatísticos em relação à mídia autêntica. Este artigo propõe uma análise detalhada da integração de Visão Computacional Avançada e Técnicas de ANS para a criação de pipelines de Deepfake Forensics robustas. O foco reside no desenvolvimento de sistemas que não dependem de um conjunto de dados predefinido de deepfakes, tornando-os ideais para a detecção de manipulações de geração zero ou técnicas de forgery nunca vistas. Serão explorados o uso de Autoencoders e Redes Neurais Adversariais Generativas (GANs) em sua capacidade de modelar a distribuição da normalidade (vídeos reais) e o subsequente emprego de métricas de reconstrução e desvio de mapeamento latente para isolar os padrões anômalos que caracterizam a falsificação. A aplicação prática destas metodologias é vital para a segurança cibernética e para o controle de conteúdo em plataformas de mídia social, oferecendo um mecanismo de verificação de autenticidade que é resiliente à constante evolução das tecnologias de síntese de mídia
Downloads
Referências
AN, J.; CHO, S. Variational autoencoder based anomaly detection using reconstruction probability. Special Lecture on AI, 2015.
GOODFELLOW, I. et al. Generative adversarial networks. In: ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS. 2014.
LIDEN, L.; TULBURE, A.; VAN DER HALLEN, D. Deepfake detection using an anomaly detection approach. In: INTERNATIONAL CONFERENCE ON DIGITAL IMAGE PROCESSING. 2021.
SCHLEGEL, C. et al. f-AnoGAN: fast anomaly detection with GANs. In: MEDICAL IMAGE COMPUTING AND COMPUTER ASSISTED INTERVENTION. 2019.
SUN, S. et al. Deepfake detection based on spatiotemporal features and unsupervised learning. In: IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING. 2020.
WANG, S. et al. Adversarial training for deepfake detection: a survey. arXiv, 2021.
XU, W. et al. Deep anomaly detection: a survey. arXiv, 2020.
YANG, X.; SUN, J.; ZHOU, S. Learning to detect digital forgeries with a weakly supervised approach. In: IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION. 2018.
ZHOU, P. et al. Two-stream neural networks for tampered face detection. In: IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION WORKSHOPS. 2017. DOI: https://doi.org/10.1109/CVPRW.2017.229
ROSSLER, A. et al. FaceForensics++: learning to detect manipulated facial images. In: INTERNATIONAL CONFERENCE ON COMPUTER VISION. 2019. DOI: https://doi.org/10.1109/ICCV.2019.00009
Downloads
Publicado
Edição
Seção
Categorias
Licença
Copyright (c) 2023 Matheus de Oliveira Pereira Paula (Autor)
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Este trabalho está licenciado sob a Licença Creative Commons Atribuição 4.0 Internacional (CC BY 4.0). Isso significa que você tem a liberdade de:
- Compartilhar — copiar e redistribuir o material em qualquer meio ou formato.
- Adaptar — remixar, transformar e construir sobre o material para qualquer propósito, inclusive comercial.
O uso deste material está condicionado à atribuição apropriada ao(s) autor(es) original(is), fornecendo um link para a licença, e indicando se foram feitas alterações. A licença não exige permissão do autor ou da editora, desde que seguidas estas condições.
A logomarca da licença Creative Commons é exibida de maneira permanente no rodapé da revista.
Os direitos autorais do manuscrito podem ser retidos pelos autores sem restrições e solicitados a qualquer momento, mesmo após a publicação na revista.
Como Citar
