FakeParts : Une nouvelle famille de deepfakes générés par IA
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
Nous présentons FakeParts, une nouvelle classe de deepfakes caractérisée par des manipulations subtiles et localisées de régions spatiales ou de segments temporels spécifiques dans des vidéos par ailleurs authentiques. Contrairement aux contenus entièrement synthétiques, ces manipulations partielles, allant d'expressions faciales altérées à des substitutions d'objets et des modifications de l'arrière-plan, s'intègrent de manière fluide avec les éléments réels, les rendant particulièrement trompeuses et difficiles à détecter. Pour combler cette lacune critique en matière de détection, nous proposons FakePartsBench, le premier ensemble de données de référence à grande échelle spécialement conçu pour capturer toute la gamme des deepfakes partiels. Composé de plus de 25 000 vidéos avec des annotations de manipulation au niveau des pixels et des images, notre ensemble de données permet une évaluation complète des méthodes de détection. Nos études utilisateurs montrent que FakeParts réduit la précision de détection humaine de plus de 30 % par rapport aux deepfakes traditionnels, avec une dégradation similaire observée dans les modèles de détection de pointe. Ce travail met en lumière une vulnérabilité urgente dans les approches actuelles de détection des deepfakes et fournit les ressources nécessaires pour développer des méthodes plus robustes contre les manipulations vidéo partielles.
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.