FakeParts: новое семейство дипфейков, созданных с использованием искусственного интеллекта
FakeParts: a New Family of AI-Generated DeepFakes
August 28, 2025
Авторы: Gaetan Brison, Soobash Daiboo, Samy Aimeur, Awais Hussain Sani, Xi Wang, Gianni Franchi, Vicky Kalogeiton
cs.AI
Аннотация
Мы представляем FakeParts — новый класс дипфейков, характеризующихся тонкими, локализованными манипуляциями с определёнными пространственными областями или временными отрезками в иначе подлинных видео. В отличие от полностью синтетического контента, эти частичные манипуляции, варьирующиеся от изменённых выражений лица до замены объектов и модификаций фона, гармонично сочетаются с реальными элементами, что делает их особенно обманчивыми и трудными для обнаружения. Чтобы устранить критический пробел в возможностях обнаружения, мы представляем FakePartsBench — первый крупномасштабный эталонный набор данных, специально разработанный для охвата всего спектра частичных дипфейков. Наш набор данных, включающий более 25 тысяч видео с аннотациями манипуляций на уровне пикселей и кадров, позволяет проводить всестороннюю оценку методов обнаружения. Наши пользовательские исследования показывают, что FakeParts снижает точность обнаружения человеком более чем на 30% по сравнению с традиционными дипфейками, причём аналогичное ухудшение производительности наблюдается и в современных моделях обнаружения. Эта работа выявляет серьёзную уязвимость в современных подходах к обнаружению дипфейков и предоставляет необходимые ресурсы для разработки более устойчивых методов выявления частичных манипуляций с видео.
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.