What does this research mean for the field?

Frequency-domain models, specifically FreqNet, outperform CNN-based models like EfficientNetAutoAttB4 in deepfake detection across various metrics, highlighting their superior generalization capabilities. Novelty: ClaimNovelty.NOVEL_FINDING. Consensus alignment: ConsensusAlignment.CHALLENGES_CONSENSUS.

What question did this study set out to answer?

Esta pesquisa tem como objetivo comparar as capacidades de generalização de modelos baseados em CNN e modelos no domínio da frequência na detecção de deepfakes.

March 14, 20260 citationsOpen Access

Generalização na Detecção de Deepfakes: Uma Análise Comparativa de Abordagens no Domínio da Frequência e Redes Neurais Convolucionais

NRNathalia Farinha Rodrigues AAAdemar Takeo Akabane VSVinicius Carbonezi de Souza

Key Points

Esta pesquisa tem como objetivo comparar as capacidades de generalização de modelos baseados em CNN e modelos no domínio da frequência na detecção de deepfakes.
Realizou avaliação cruzada de banco de dados no conjunto de dados GANGen-Detection
Empregou EfficientNetAutoAttB4 como uma abordagem CNN
Utilizou FreqNet para representar modelos no domínio da frequência
Mediu métricas de desempenho, incluindo Acurácia, AUC-ROC e F1-score
FreqNet superou consistentemente EfficientNet em todas as métricas de desempenho
EfficientNet demonstrou um desempenho forte em dados dentro do domínio, mas se ajustou excessivamente
FreqNet capturou efetivamente artefatos espectrais, melhorando a robustez contra manipulações não vistas

Abstract

Este estudo investiga a detecção de deepfakes, uma classe de mídia sintética em rápida evolução com grandes implicações financeiras e éticas. Avaliamos a generalização de duas abordagens de detecção: modelos baseados em Redes Neurais Convolucionais (CNN), representados pelo EfficientNetAutoAttB4, e modelos no domínio da frequência, exemplificados pelo FreqNet. Enquanto o EfficientNetAutoAttB4 apresenta um desempenho forte em dados dentro do domínio, tende a se ajustar excessivamente, enquanto o FreqNet captura artefatos espectrais que melhoram a robustez contra manipulações não vistas. A avaliação cruzada de banco de dados no conjunto de dados GANGen-Detection mostra que o FreqNet consistentemente supera o EfficientNet em Acurácia, AUC-ROC e F1-score. Esses resultados destacam a importância das representações no domínio da frequência para a construção de detectores de deepfakes mais generalizáveis e expõem as limitações das CNNs puramente espaciais ao enfrentar dados fora de distribuição. O código e imagens de exemplo para reproduzir os experimentos estão disponíveis no repositório associado https://github.com/NathFarinha/deepfake-detection-generalization-efficientnet-freqnet.git.

Perguntar à IA

Bookmark

View Full Paper

Cite This Study

Rodrigues et al. (2026) estudaram essa questão.

synapsesocial.com/papers/69b4fbeab39f7826a300c6b8 https://doi.org/https://doi.org/10.22456/2175-2745.150900

Also Consider

Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context:

Perguntar à IA

Bookmark

View Full Paper