Le détecteur “ Universal ” repére des vidéos de profondeur AI avec une précision d’enregistrement

Un détecteur universel Deepfake a atteint la meilleure précision à ce jour pour repérer plusieurs types de vidéos manipulées ou complètement générées par l’intelligence artificielle. La technologie peut aider à signaler la pornographie non consensuelle générée par l’IA, les escroqueries en profondeur ou les vidéos de désinformation électorales.

La disponibilité généralisée d’outils de création DeepFake à base de l’AI bon marché a alimenté le diffusion en ligne hors contrôle des vidéos synthétiques. Beaucoup représentent des femmes – y compris des célébrités et même des écolières – dans la pornographie non consensuelle. Et Deepfakes ont également été utilisés pour influencer les élections politiques, ainsi que pour améliorer les escroqueries financières ciblant à la fois les consommateurs ordinaires et les dirigeants de l’entreprise.

Mais la plupart des modèles d’IA formés pour détecter la vidéo synthétique se concentrent sur les visages – ce qui signifie qu’ils sont les plus efficaces pour repérer un type spécifique defake Deep, où le visage d’une vraie personne est échangé dans une vidéo existante. «Nous avons besoin d’un modèle qui sera en mesure de détecter des vidéos manipulées en face ainsi que des vidéos gérées par l’arrière-plan ou entièrement générées par l’AI», explique Rohit Kundu à l’Université de Californie, Riverside. “Notre modèle aborde exactement cette préoccupation – nous supposons que la vidéo entière peut être générée synthétiquement.”

Kundu et ses collègues ont formé leur détecteur universel propulsé par l’IA pour surveiller plusieurs éléments de formation des vidéos, ainsi que les visages des gens. Il peut repérer des signes subtils d’incohérences spatiales et temporelles dans les tresses profondes. En conséquence, il peut détecter des conditions d’éclairage incohérentes sur les personnes qui ont été insérées artificiellement dans des vidéos d’échange de visage, des écarts dans les détails de fond de Vidéos complètement générées par AI et même des signes de manipulation de l’IA dans des vidéos synthétiques qui ne contiennent aucun visages humains. Le détecteur signale également des scènes réalistes de jeux vidéocomme Grand Theft Auto V, qui ne sont pas nécessairement générés par l’IA.

«La plupart des méthodes existantes gèrent les vidéos de visage généré par l’IA – telles que les échantillons de visage, les vidéos de synchronisation des lèvres ou les reconstitutions du visage qui animent un visage d’une seule image», dit Siwei Lyu à l’Université de Buffalo à New York. «Cette méthode a une plage d’applicabilité plus large.»

Le détecteur universel a atteint une précision entre 95% et 99% pour identifier quatre ensembles de vidéos de test impliquant des FACE-manipulés. C’est mieux que toutes les autres méthodes publiées pour détecter ce type defake Deep. Lors de la surveillance des vidéos complètement synthétiques, il a également eu des résultats plus précis que tout autre détecteur évalué à ce jour. Les chercheurs a présenté leur travail à la 2025 IEEE / Conférence sur la vision par ordinateur et la reconnaissance des modèles à Nashville, Tennessee le 15 juin.

Plusieurs chercheurs de Google ont également participé au développement du nouveau détecteur. Google n’a pas répondu aux questions sur la question de savoir si cette méthode de détection pourrait aider à repérer DeepFakes sur ses plateformes, telles que YouTube. Mais l’entreprise fait partie de ceux qui soutiennent un outil de filigrane Cela facilite l’identification du contenu généré par leurs systèmes d’IA.

Le détecteur universel pourrait également être amélioré à l’avenir. Par exemple, il serait utile que cela puisse détecter Deepfakes déployés lors des appels de vidéoconférence en direct, une astuce que certains escrocs ont déjà commencé à utiliser.

“Comment savez-vous que la personne de l’autre côté est authentique, ou est-ce une vidéo générée de profondeur, et cela peut-il être déterminé même que la vidéo se déplace sur un réseau et est affectée par les caractéristiques du réseau, telles que la bande passante disponible?” dit Amit Roy-Chowdhury à l’Université de Californie, Riverside. «C’est une autre direction que nous examinons dans notre laboratoire.»