FakeParts: Eine neue Familie von KI-generierten DeepFakes
FakeParts: a New Family of AI-Generated DeepFakes
August 28, 2025
papers.authors: Gaetan Brison, Soobash Daiboo, Samy Aimeur, Awais Hussain Sani, Xi Wang, Gianni Franchi, Vicky Kalogeiton
cs.AI
papers.abstract
Wir stellen FakeParts vor, eine neue Klasse von Deepfakes, die sich durch subtile, lokalisierte Manipulationen an spezifischen räumlichen Regionen oder zeitlichen Segmenten ansonsten authentischer Videos auszeichnen. Im Gegensatz zu vollständig synthetischen Inhalten verschmelzen diese partiellen Manipulationen, die von veränderten Gesichtsausdrücken über Objektaustausche bis hin zu Hintergrundmodifikationen reichen, nahtlos mit realen Elementen, was sie besonders trügerisch und schwer zu erkennen macht. Um die kritische Lücke in den Erkennungsfähigkeiten zu schließen, präsentieren wir FakePartsBench, den ersten groß angelegten Benchmark-Datensatz, der speziell entwickelt wurde, um das gesamte Spektrum partieller Deepfakes zu erfassen. Unser Datensatz umfasst über 25.000 Videos mit pixelgenauen und frame-spezifischen Manipulationsannotationen und ermöglicht eine umfassende Bewertung von Erkennungsmethoden. Unsere Nutzerstudien zeigen, dass FakeParts die menschliche Erkennungsgenauigkeit im Vergleich zu traditionellen Deepfakes um über 30 % reduziert, wobei ähnliche Leistungseinbußen bei modernsten Erkennungsmodellen beobachtet werden. Diese Arbeit identifiziert eine dringende Schwachstelle in aktuellen Deepfake-Erkennungsansätzen und stellt die notwendigen Ressourcen bereit, um robustere Methoden für partielle Videomanipulationen zu entwickeln.
English
We introduce FakeParts, a new class of deepfakes characterized by subtle,
localized manipulations to specific spatial regions or temporal segments of
otherwise authentic videos. Unlike fully synthetic content, these partial
manipulations, ranging from altered facial expressions to object substitutions
and background modifications, blend seamlessly with real elements, making them
particularly deceptive and difficult to detect. To address the critical gap in
detection capabilities, we present FakePartsBench, the first large-scale
benchmark dataset specifically designed to capture the full spectrum of partial
deepfakes. Comprising over 25K videos with pixel-level and frame-level
manipulation annotations, our dataset enables comprehensive evaluation of
detection methods. Our user studies demonstrate that FakeParts reduces human
detection accuracy by over 30% compared to traditional deepfakes, with similar
performance degradation observed in state-of-the-art detection models. This
work identifies an urgent vulnerability in current deepfake detection
approaches and provides the necessary resources to develop more robust methods
for partial video manipulations.