FakeParts: Uma Nova Família de DeepFakes Gerados 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
Resumo
Apresentamos o FakeParts, uma nova classe de deepfakes caracterizada por manipulações sutis e localizadas em regiões espaciais específicas ou segmentos temporais de vídeos que, de outra forma, seriam autênticos. Diferente de conteúdos totalmente sintéticos, essas manipulações parciais, que variam desde expressões faciais alteradas até substituições de objetos e modificações de fundo, integram-se perfeitamente com elementos reais, tornando-os particularmente enganosos e difíceis de detectar. Para abordar a lacuna crítica nas capacidades de detecção, apresentamos o FakePartsBench, o primeiro conjunto de dados de referência em larga escala projetado especificamente para capturar todo o espectro de deepfakes parciais. Composto por mais de 25 mil vídeos com anotações de manipulação em nível de pixel e de quadro, nosso conjunto de dados permite uma avaliação abrangente de métodos de detecção. Nossos estudos com usuários demonstram que o FakeParts reduz a precisão de detecção humana em mais de 30% em comparação com deepfakes tradicionais, com degradação de desempenho semelhante observada em modelos de detecção state-of-the-art. Este trabalho identifica uma vulnerabilidade urgente nas abordagens atuais de detecção de deepfakes e fornece os recursos necessários para desenvolver métodos mais robustos para manipulações parciais de vídeo.
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.