FakeParts: AI生成ディープフェイクの新たなファミリー
FakeParts: a New Family of AI-Generated DeepFakes
August 28, 2025
著者: Gaetan Brison, Soobash Daiboo, Samy Aimeur, Awais Hussain Sani, Xi Wang, Gianni Franchi, Vicky Kalogeiton
cs.AI
要旨
本論文では、FakePartsと呼ばれる新しいクラスのディープフェイクを紹介する。これは、本来は本物の動画に対して、特定の空間領域や時間セグメントに微妙で局所的な操作を加えたものである。完全に合成されたコンテンツとは異なり、表情の変更から物体の置き換え、背景の修正に至るまでの部分的な操作が、実際の要素とシームレスに融合しており、特に欺瞞的で検出が困難である。この検出能力における重大なギャップに対処するため、部分的なディープフェイクの全スペクトルを捉えるために特別に設計された初の大規模ベンチマークデータセットであるFakePartsBenchを提案する。ピクセルレベルおよびフレームレベルの操作アノテーションを含む25,000以上の動画から構成される本データセットは、検出手法の包括的な評価を可能にする。ユーザー調査の結果、FakePartsは従来のディープフェイクと比較して人間の検出精度を30%以上低下させることが示され、最先端の検出モデルにおいても同様の性能低下が観察された。本研究は、現在のディープフェイク検出アプローチにおける緊急の脆弱性を明らかにし、部分的な動画操作に対するより堅牢な手法を開発するために必要なリソースを提供するものである。
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.