FakeParts: een nieuwe familie van AI-gegenereerde DeepFakes
FakeParts: a New Family of AI-Generated DeepFakes
August 28, 2025
Auteurs: Gaetan Brison, Soobash Daiboo, Samy Aimeur, Awais Hussain Sani, Xi Wang, Gianni Franchi, Vicky Kalogeiton
cs.AI
Samenvatting
We introduceren FakeParts, een nieuwe klasse van deepfakes die worden gekenmerkt door subtiele, gelokaliseerde manipulaties van specifieke ruimtelijke regio's of temporele segmenten in verder authentieke video's. In tegenstelling tot volledig synthetische inhoud, integreren deze gedeeltelijke manipulaties, variërend van aangepaste gezichtsuitdrukkingen tot objectvervangingen en achtergrondwijzigingen, naadloos met echte elementen, waardoor ze bijzonder misleidend en moeilijk te detecteren zijn. Om het kritieke gat in de detectiecapaciteiten aan te pakken, presenteren we FakePartsBench, de eerste grootschalige benchmarkdataset die specifiek is ontworpen om het volledige spectrum van gedeeltelijke deepfakes vast te leggen. Onze dataset, bestaande uit meer dan 25K video's met pixel- en framegewijze manipulatieannotaties, maakt een uitgebreide evaluatie van detectiemethoden mogelijk. Onze gebruikersstudies tonen aan dat FakeParts de menselijke detectienauwkeurigheid met meer dan 30% vermindert in vergelijking met traditionele deepfakes, met een vergelijkbare prestatievermindering bij state-of-the-art detectiemodellen. Dit werk identificeert een urgente kwetsbaarheid in huidige deepfake-detectiebenaderingen en biedt de nodige middelen om robuustere methoden te ontwikkelen voor gedeeltelijke videomanipulaties.
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.