Forense de imágenes deepfake para la protección de la privacidad y la autenticidad utilizando aprendizaje profundo
Autores: Sohail, Saud; Sajjad, Syed Muhammad; Zafar, Adeel; Iqbal, Zafar; Muhammad, Zia; Kazim, Muhammad
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Forense de imágenes deepfake para la protección de la privacidad y la autenticidad utilizando aprendizaje profundo
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Detección
Deepfake
Técnicas de aprendizaje profundo
Privacidad
Autenticidad
Análisis forense
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Esta investigación se centra en la detección de imágenes y videos deepfake para análisis forense utilizando técnicas de aprendizaje profundo. Destaca la importancia de preservar la privacidad y la autenticidad en los medios digitales. El contexto del estudio enfatiza la creciente amenaza de los deepfakes, que representan desafíos significativos en varios dominios, incluyendo las redes sociales, la política y el entretenimiento. Las metodologías actuales se basan principalmente en características visuales específicas del conjunto de datos y no logran generalizar bien a través de diversas técnicas de manipulación. Sin embargo, estas técnicas se enfocan en características espaciales o temporales de manera individual y carecen de robustez para manejar artefactos deepfake complejos que involucran regiones faciales fusionadas como ojos, nariz y boca. Los enfoques clave incluyen el uso de CNNs, RNNs y modelos híbridos como CNN-LSTM, CNN-GRU y redes neuronales convolucionales temporales (TCNs) para capturar tanto características espaciales como temporales durante la detección de videos e imágenes deepfake. La investigación incorpora la augmentación de datos con GANs para mejorar el rendimiento del modelo y propone una fusión innovadora de inspección de artefactos y detección de puntos de referencia faciales para una mayor precisión. Los resultados experimentales muestran una precisión de detección casi perfecta en diversos conjuntos de datos, demostrando la efectividad de estos modelos. Sin embargo, persisten desafíos, como la dificultad de detectar deepfakes en formatos de video comprimidos, la necesidad de manejar el ruido y abordar los desequilibrios en los conjuntos de datos. La investigación presenta un modelo híbrido mejorado que mejora la precisión de detección mientras mantiene el rendimiento en varios conjuntos de datos. El trabajo futuro incluye mejorar la generalización del modelo para detectar mejor las técnicas deepfake emergentes. Los resultados experimentales revelan una precisión casi perfecta de más del 99% en diferentes arquitecturas, destacando su efectividad en investigaciones forenses.
Descripción
Esta investigación se centra en la detección de imágenes y videos deepfake para análisis forense utilizando técnicas de aprendizaje profundo. Destaca la importancia de preservar la privacidad y la autenticidad en los medios digitales. El contexto del estudio enfatiza la creciente amenaza de los deepfakes, que representan desafíos significativos en varios dominios, incluyendo las redes sociales, la política y el entretenimiento. Las metodologías actuales se basan principalmente en características visuales específicas del conjunto de datos y no logran generalizar bien a través de diversas técnicas de manipulación. Sin embargo, estas técnicas se enfocan en características espaciales o temporales de manera individual y carecen de robustez para manejar artefactos deepfake complejos que involucran regiones faciales fusionadas como ojos, nariz y boca. Los enfoques clave incluyen el uso de CNNs, RNNs y modelos híbridos como CNN-LSTM, CNN-GRU y redes neuronales convolucionales temporales (TCNs) para capturar tanto características espaciales como temporales durante la detección de videos e imágenes deepfake. La investigación incorpora la augmentación de datos con GANs para mejorar el rendimiento del modelo y propone una fusión innovadora de inspección de artefactos y detección de puntos de referencia faciales para una mayor precisión. Los resultados experimentales muestran una precisión de detección casi perfecta en diversos conjuntos de datos, demostrando la efectividad de estos modelos. Sin embargo, persisten desafíos, como la dificultad de detectar deepfakes en formatos de video comprimidos, la necesidad de manejar el ruido y abordar los desequilibrios en los conjuntos de datos. La investigación presenta un modelo híbrido mejorado que mejora la precisión de detección mientras mantiene el rendimiento en varios conjuntos de datos. El trabajo futuro incluye mejorar la generalización del modelo para detectar mejor las técnicas deepfake emergentes. Los resultados experimentales revelan una precisión casi perfecta de más del 99% en diferentes arquitecturas, destacando su efectividad en investigaciones forenses.