FakeParts: una nuova famiglia di DeepFake generati dall'intelligenza artificiale
FakeParts: a New Family of AI-Generated DeepFakes
August 28, 2025
Autori: Gaetan Brison, Soobash Daiboo, Samy Aimeur, Awais Hussain Sani, Xi Wang, Gianni Franchi, Vicky Kalogeiton
cs.AI
Abstract
Introduciamo FakeParts, una nuova classe di deepfake caratterizzata da manipolazioni sottili e localizzate in specifiche regioni spaziali o segmenti temporali di video altrimenti autentici. A differenza di contenuti completamente sintetici, queste manipolazioni parziali, che vanno da espressioni facciali alterate a sostituzioni di oggetti e modifiche dello sfondo, si fondono perfettamente con elementi reali, rendendoli particolarmente ingannevoli e difficili da rilevare. Per colmare questa lacuna critica nelle capacità di rilevamento, presentiamo FakePartsBench, il primo dataset di benchmark su larga scala specificamente progettato per catturare l'intero spettro dei deepfake parziali. Composto da oltre 25K video con annotazioni di manipolazione a livello di pixel e di fotogramma, il nostro dataset consente una valutazione completa dei metodi di rilevamento. I nostri studi sugli utenti dimostrano che FakeParts riduce l'accuratezza di rilevamento umano di oltre il 30% rispetto ai deepfake tradizionali, con una simile degradazione delle prestazioni osservata nei modelli di rilevamento all'avanguardia. Questo lavoro identifica una vulnerabilità urgente negli attuali approcci di rilevamento dei deepfake e fornisce le risorse necessarie per sviluppare metodi più robusti per le manipolazioni video parziali.
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.