Análise de pupila para identificação de Deepfakes : aplicação em StyleGAN3 e Stable Diffusion.

Abstract

Este trabalho investiga a detecção de deepfakes por meio da análise de anomalias nas pupilas de faces geradas por redes generativas adversariais (GANs), como StyleGAN3 (Karras et al., 2021) e pelo modelo Stable Diffusion (Stability AI, 2023). Embora essas imagens sejam altamente realistas e difíceis de distinguir das reais, seu uso crescente em perfis falsos nas redes sociais gera sérias implicações para a segurança digital (SpyCloud, 2023; Schick et al., 2023). A pesquisa de Niu et al. (2021) revela que as faces sintéticas apresentam irregularidades nas pupilas, decorrentes da ausência de restrições fisiológicas durante o processo de geração. Para explorar essa característica, a metodologia proposta em Zhang et al. (2021) foi adaptada para segmentar automaticamente as pupilas e realizar o ajuste de uma elipse à sua forma, permitindo o cálculo do Boundary IoU (BIoU) como métrica de regularidade (Zhou et al., 2021). Os experimentos foram conduzidos em três conjuntos de dados: um contendo imagens reais do Flickr-Faces-HQ (FFHQ) (Karras et al., 2019) e dois contendo faces geradas pelos modelos citados. Os resultados demonstraram uma separação estatisticamente significativa nos valores de BIoU entre as faces reais e sintéticas, com um AUC de 0,91 na curva ROC, evidenciando a eficácia da abordagem para a detecção de deepfakes. Em análises específicas, a detecção de imagens geradas pelo StyleGAN3 apresentou um AUC de 0,68, enquanto as geradas pelo Stable Diffusion alcançaram um AUC de 0,67, indicando um desempenho moderado para distinguir essas imagens sintéticas das reais. Estes achados reforçam a robustez e a simplicidade do método, além de fornecer uma interpretação intuitiva dos resultados com base na regularidade das pupilas.