La proliferación de contenido generado por inteligencia artificial (CGIA) ha permitido a no expertos crear imágenes y videos Deepfake altamente realistas utilizando software fácil de usar, lo que plantea desafíos significativos para el sistema legal, especialmente en investigaciones criminales, procesos judiciales y análisis de accidentes. La ausencia de métodos confiables de verificación de Deepfake amenaza la integridad de los procesos legales. En respuesta, los investigadores han explorado la detección profunda de falsificaciones, proponiendo varias técnicas forenses. Sin embargo, la rápida evolución de la creación de falsificaciones profundas y la limitada generalizabilidad de los métodos de detección actuales dificultan su aplicación práctica. Introducimos un nuevo método de detección de falsificaciones profundas que utiliza la descomposición de imágenes y la inconsistencia de iluminación. Al explotar discrepancias inherentes en los entornos de imagen entre imágenes genuinas y fabricadas, este método extrae pistas de iluminación robustas y mitiga las perturbaciones de factores ambientales, revelando alteraciones a un nivel más profundo. Un elemento crucial es el extractor de características de información de iluminación, diseñado según los principios de constancia de color, para identificar inconsistencias en las condiciones de iluminación. Para abordar las variaciones de iluminación, empleamos un extractor de características de material facial que utiliza el Patrón de Fuerza Gravitatoria Local (PLGF), que procesa selectivamente patrones de imagen con máscaras convolucionales definidas para aislar y centrarse en coeficientes de reflectancia, ricos en detalles texturales esenciales para la detección de falsificaciones. Utilizando el modelo de iluminación lambertiano, generamos vectores de dirección de iluminación en los fotogramas para proporcionar contexto temporal para la detección. Este marco procesa imágenes RGB, mapas de reflectancia facial, características de iluminación y vectores de dirección de iluminación como entradas multicanal, aplicando un mecanismo de atención cruzada a nivel de características para mejorar la precisión y adaptabilidad de la detección. Los resultados experimentales muestran que nuestro método propuesto funciona excepcionalmente bien y es ampliamente aplicable en múltiples conjuntos de datos, subrayando su importancia en el avance de la detección de falsificaciones profundas.