Métodos de detecção de imagens DeepFake baseadas em modelos generativos

Abstract

A manipulação de imagens e vídeos não é uma tarefa recente na literatura, já que essa tarefa era executada pela utilização de ferramentas de edição, como Photoshop e GIMP, onde era facilmente possível identificar a olho nu se uma imagem era real ou não. Entretanto com o avanço da área de inteligência artificial e mais especificamente na aprendizagem profunda possibilitou o surgimento do chamado DeepFake. O termo DeepFake se refere a geração de conteúdos multimídias muito realistas onde as pessoas não conseguem diferenciar entre real e falso. Essa técnica pode ser aplicada a diversas situações como no entretenimento, na educação e em jogos. Entretanto se for utilizada por pessoas maliciosas, pode acabar acarretando em práticas antiéticas. Infelizmente o DeepFake ficou muito conhecido devido as más práticas realizadas com sua utilização. O primeiro surgimento da técnica ocorreu em 2017 no Reddit, em uma publicação com vídeos pornográficos de celebridades. Após esse caso, começou a surgir diversas DeepFake na internet. Tendo em vista que ela pode ser utilizada para o mal, se iniciou um movimento mundial de combate de tais práticas com a proposição de novas técnicas automatizadas de detecção das imagens e vídeos falsos. Neste trabalho foi realizado um estudo de diferentes abordagens de detecção de imagens DeepFake, bem como também, a implementação de duas diferentes abordagens para a tarefa alvo. Na primeira técnica utiliza de extração dos ruídos residuais por meio de técnicas PRNU, os quais serão utilizados posteriormente no treinamento de CNNs. Já o segundo método baseia-se em medidas de qualidade de imagem (Correlação, SSIM e MSE) para realizar a detecção de imagens DeepFake. Nos resultados realizados foi possível mostrar que a utilização de imagens originais carregam mais informações relevantes para a tarefa alvo que as imagens resultantes da extração PRNU.