L'IA peut-elle détecter les vidéos deepfake en analysant les micro-incohérences dans les clignements ?

Les chercheurs en IA ont découvert que les vidéos synthétiques présentent systématiquement des dynamiques de clignement des yeux non naturelles. Ces systèmes utilisent l'analyse vidéo haute résolution pour identifier des incohérences invisibles à l'œil humain. La technique fonctionne sur la plupart des méthodes actuelles de génération de deepfakes. Cependant, de nouvelles attaques adversariales sont déjà en cours de développement pour contourner cette détection.

Background

Current deepfake detection methods do analyze subtle physiological cues, and blinking patterns have been explored because synthesized faces often produce unnaturally consistent or infrequent blinks. Research shows that deep neural networks can learn to detect these microscopic inconsistencies by examining blink frequency, duration, and eyelid motion dynamics, sometimes achieving high accuracy on controlled datasets (Li, Y., et al. "Exposing AI-Generated Faces by Detecting Eye Blinking Anomalies." 2022 IEEE International Conference on Multimedia and Expo (ICME)). However, as generative models improve, attackers can refine blinking behavior to evade such detectors, making this approach increasingly unreliable as a standalone defense. Performance varies widely across lighting conditions, head poses, and video compression, limiting real-world applicability. New adversarial attacks are already being developed to bypass such detection.