Dados do Trabalho

Título

DETECÇAO DE DEEPFAKES UTILIZANDO SISTEMAS DE RECONHECIMENTO FACIAL

Introdução

Vídeos DeepFake com troca de rosto têm impacto social significativo, especialmente quando retratam pessoas politicamente expostas ou estão relacionados a crimes relevantes. Propõe-se um método de detecção que utiliza vídeos legítimos da pessoa retratada como referência, se a pessoa for conhecida ou acessível para coleta de padrões.

Objetivos

Descrever método baseado em escores de similaridade facial para detecção de DeepFake.

Parte experimental

Extraem-se N imagens faciais da pessoa retratada em um vídeo questionado, assim como 50 imagens de faces de vídeos autênticos (cerca de 10 vídeos) da mesma pessoa para usá-las como material de referência. Usando uma rede neural convolucional profunda treinada para reconhecimento facial (ArcFace), calculam-se os escores de similaridade entre todas as combinações possíveis de pares de imagens de faces questionadas e de referência, gerando cerca de 500xN pontuações. Os valores máximo, mínimo e a mediana das pontuações (Smax, Smin e Smed, respectivamente) compõem um vetor F de entrada em um classificador SVM (Figura 1).

Resultados e Discussões

Empregando N=50, foi obtido um AUC de 0,994 utilizando os subconjuntos de treinamento e teste da base de dados Celeb-DF v2, superando as abordagens mais robustas publicadas contra essa base [3]. Contra 17 bases publicadas da DFGC, utilizando N=1 (tais bases são limitadas a apenas um quadro por vídeo questionado), foi obtido um AUC médio de 0,891, sendo o maior AUC de 0,958 e o menor de 0,464. O menor AUC corresponde a edição grosseira por cópia e colagem, o que explica o menor desempenho. Contra apenas edições desafiadoras nas demais bases o AUC médio sobe para 0,920.

Conclusões

O método proposto detecta DeepFakes com troca de rosto com eficácia, superando as abordagens mais robustas na base Celeb-DF v2, e mostra-se eficaz mesmo quando há apenas um quadro disponível do vídeo questionado, conforme avaliado nas bases da DFGC. Trabalhos futuros incluem validação cruzada com outras bases.

Referências e agradecimentos

[1] Li, Yuezun, et al. “Celeb-DF: A Large-Scale Challenging Dataset for DeepFake Forensics”. 2020 IEEE/CVF (CVPR).
[2] B. Peng et al., "DFGC 2021: A DeepFake Game Competition," 2021 IEEE (IJCB), Shenzhen, China.
[3] Van-Nhan, et al. “High Performance DeepFake Video Detection on CNN-Based with Attention Target-Specific Regions and Manual Distillation Extraction”. Applied Sciences, vol. 11, no 16, Aug. 2021.

Palavras Chave

deepfake, faceswap, troca de rosto, autenticidade, verificação de edição.

Arquivos