ПОРІВНЯЛЬНА ОЦІНКА МОДЕЛЕЙ ВИЯВЛЕННЯ ДИПФЕЙКІВ ДЛЯ БЕЗПЕЧНОЇ ВІДДАЛЕНОЇ БІОМЕТРИЧНОЇ ВЕРИФІКАЦІЇ
DOI:
https://doi.org/10.28925/2663-4023.2026.34.1349Ключові слова:
діпфейк, виявлення діпфейків, анімація статичних зображень, GenConViT, Swin-трансформер, бенчмаркінг моделей, біометрична верифікація, кібербезпекаАнотація
У цьому дослідженні проаналізовано стійкість систем дистанційної біометричної верифікації до відеодіпфейків нового покоління. Фінансові та цифрові платформи все частіше впроваджують відеоідентифікацію користувачів, проте такі канали верифікації є вразливими до технологій анімації статичних зображень (image-to-video), які генерують динамічне відео з одного нерухомого знімка, не залишаючи при цьому просторових артефактів монтажу чи накладання, на виявлення яких налаштовані традиційні детектори. Для оцінювання цієї загрози було сформовано збалансований набір даних із 51 відео, що складається з 26 автентичних записів та 25 синтетичних відео, створених шляхом злиття облич (face-merging) з їхньою подальшою анімацією. Проведено порівняльний аналіз (бенчмаркінг) двох комерційних SaaS-платформ (TruthScan та Hive Moderation) і шести відкритих моделей глибокого навчання: EfficientNet-B7, детектора на базі CLIP, GANomaly, двох моделей класу Vision Transformer та гібридної архітектури GenConViT. Класичні згорткові нейромережі, зокрема EfficientNet-B7, продемонстрували низьку здатність до узагальнення на цей метод синтезу: показник повноти (recall) впав до 0,240. Гібридна модель GenConViT показала найбільш збалансовану ефективність серед відкритих систем, досягнувши точності (accuracy) 0,843, збалансованої оцінки F1-score 0,825 та специфічності (specificity) 0,923. Отримана точність наближається до показників комерційних платформ, які знаходяться в діапазоні від 0,882 до 0,901.
Результати дослідження свідчать про те, що гібридні згортково-трансформерні архітектури здатні узагальнюватися на безшовні методи синтезу на відміну від суто згорткових детекторів, а відкриті моделі дозволяють досягти комерційної якості виявлення без передачі конфіденційних біометричних даних третім сторонам.
Завантаження
Посилання
Westerlund, M. (2019). The emergence of deepfake technology: A review. Technology Innovation Management Review, 9(11), 39–52. https://doi.org/10.22215/timreview/1282
Mirsky, Y., & Lee, W. (2021). The creation and detection of deepfakes: A survey. ACM Computing Surveys, 54(1), Article 7, 1–41. https://doi.org/10.1145/3425780
European Union Agency for Cybersecurity. (2023). ENISA threat landscape 2023. ENISA. https://www.enisa.europa.eu/publications/enisa-threat-landscape-2023
Tolosana, R., Vera-Rodriguez, R., Fierrez, J., Morales, A., & Ortega-Garcia, J. (2020). Deepfakes and beyond: A survey of face manipulation and fake detection. Information Fusion, 64, 131–148. https://doi.org/10.1016/j.inffus.2020.06.014
Pearson, J. (2022). Deepfake video of Zelenskyy could be “tip of the iceberg” in info war, experts warn. NPR. https://www.npr.org/2022/03/16/1087062648/deepfake-video-zelenskyy-experts-war-manipulation-ukraine-russia
Chen, H., & Magramo, K. (2024). Finance worker pays out $25 million after video call with deepfake “chief financial officer.” CNN. https://edition.cnn.com/2024/02/04/asia/deepfake-cfo-scam-hong-kong-intl-hnk/index.html
Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., & Bengio, Y. (2014). Generative adversarial nets. Advances in Neural Information Processing Systems, 27. https://papers.nips.cc/paper/5423-generative-adversarial-nets
Karras, T., Laine, S., & Aila, T. (2019). A style-based generator architecture for generative adversarial networks. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). https://arxiv.org/abs/1812.04948
Ho, J., Jain, A., & Abbeel, P. (2020). Denoising diffusion probabilistic models. Advances in Neural Information Processing Systems, 33. https://arxiv.org/abs/2006.11239
Rössler, A., Cozzolino, D., Verdoliva, L., Riess, C., Thies, J., & Nießner, M. (2019). FaceForensics++: Learning to detect manipulated facial images. In Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV). https://arxiv.org/abs/1901.08971
Sarker, I. H. (2021). Deep cybersecurity: A comprehensive overview from neural network and deep learning perspective. SN Computer Science, 2, Article 154. https://doi.org/10.1007/s42979-021-00545-3
Verdoliva, L. (2020). Media forensics and DeepFakes: An overview. IEEE Journal of Selected Topics in Signal Processing, 14(5), 910–932. https://doi.org/10.1109/JSTSP.2020.3002101
Dolhansky, B., Bitton, J., Pflaum, B., Lu, J., Howes, R., Wang, M., & Ferrer, C. C. (2020). The DeepFake Detection Challenge (DFDC) dataset. arXiv. https://arxiv.org/abs/2006.07397
Seferbekov, S. (2020). Deepfake Detection Challenge 1st place solution. Kaggle. https://www.kaggle.com/c/deepfake-detection-challenge
Yermakov, A., Cech, J., & Matas, J. (2025). Unlocking the hidden potential of CLIP in generalizable deepfake detection. arXiv. https://arxiv.org/abs/2503.19683
Wodajo, D., Atnafu, S., & Akhtar, Z. (2023). Deepfake video detection using generative convolutional vision transformer. arXiv. https://arxiv.org/abs/2307.07036
DeepStrike. (2025). Deepfake statistics 2025: AI fraud data & trends. https://deepstrike.io/blog/deepfake-statistics-2025
Akcay, S., Atapour-Abarghouei, A., & Breckon, T. P. (2018). GANomaly: Semi-supervised anomaly detection via adversarial training. arXiv. https://arxiv.org/abs/1805.06725
prithivMLmods. (2024). Deep-Fake-Detector-Model [Machine learning model]. Hugging Face. https://huggingface.co/prithivMLmods/Deep-Fake-Detector-Model
prithivMLmods. (2025). Deep-Fake-Detector-v2-Model [Machine learning model]. Hugging Face. https://huggingface.co/prithivMLmods/Deep-Fake-Detector-v2-Model
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Назарій Джалюк, Володимир Хома, Юрій Хома
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
