FakeParts: una nueva familia de DeepFakes generados por IA
FakeParts: a New Family of AI-Generated DeepFakes
August 28, 2025
Autores: Gaetan Brison, Soobash Daiboo, Samy Aimeur, Awais Hussain Sani, Xi Wang, Gianni Franchi, Vicky Kalogeiton
cs.AI
Resumen
Presentamos FakeParts, una nueva clase de deepfakes caracterizada por manipulaciones sutiles y localizadas en regiones espaciales o segmentos temporales específicos de videos que, por lo demás, son auténticos. A diferencia del contenido completamente sintético, estas manipulaciones parciales, que van desde expresiones faciales alteradas hasta sustituciones de objetos y modificaciones de fondo, se integran perfectamente con elementos reales, lo que las hace particularmente engañosas y difíciles de detectar. Para abordar la brecha crítica en las capacidades de detección, presentamos FakePartsBench, el primer conjunto de datos de referencia a gran escala diseñado específicamente para capturar todo el espectro de deepfakes parciales. Compuesto por más de 25K videos con anotaciones de manipulación a nivel de píxel y de fotograma, nuestro conjunto de datos permite una evaluación exhaustiva de los métodos de detección. Nuestros estudios con usuarios demuestran que FakeParts reduce la precisión de detección humana en más de un 30% en comparación con los deepfakes tradicionales, observándose una degradación similar en el rendimiento de los modelos de detección más avanzados. Este trabajo identifica una vulnerabilidad urgente en los enfoques actuales de detección de deepfakes y proporciona los recursos necesarios para desarrollar métodos más robustos para las manipulaciones parciales de video.
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.