Melhorando a Generalização na Detecção de Deepfakes por meio de Aumento com Ataques Adversariais Recorrentes

O esforço crucial para combater deepfakes e desinformação em geral é de grande importância na nossa sociedade, especialmente neste momento. Os detectores de deepfake evoluem no mesmo ritmo que os geradores de deepfake, ou até mais devagar, e, além disso, são treinados com uma quantidade limitada de dados e não conseguem generalizar na maioria das situações. O principal desafio associado ao treinamento de deepfakes reside na necessidade de um número substancial de amostras geradas diversas oriundas de uma multiplicidade de modelos distintos — uma conquista não facilmente alcançada. Por essa razão, este trabalho visa aproveitar o único recurso abundante à nossa disposição: vídeos reais. Este artigo apresenta uma nova estrutura de treinamento para detectores de deepfake, com o objetivo de melhorar a generalização através do uso contínuo de ataques adversariais para gerar novos deepfakes que um detector pode não estar treinado para reconhecer, começando a partir de amostras reais. Nosso objetivo é fazer isso mantendo as amostras geradas o mais realistas possível. Treinamos o detector de deepfake com os novos deepfakes gerados, juntamente com as imagens originais, visando aprimorar sua capacidade de diferenciar entre eles. Mostramos que esse método de treinamento melhorou a generalização para conjuntos de dados não vistos, sem utilizar novos dados. Além disso, este método não supervisionado utiliza apenas imagens reais, tornando-se uma maneira fácil de implementar e adaptável para melhorar a generalização.