Base del benchmark

Marco de benchmark de detección de deepfakes en imágenes

Un marco de benchmark para evaluar la detección de intercambio de rostros y manipulación de identidad en distintos niveles de calidad de imagen, estados de compresión y escenarios de riesgo reales.

Respuesta rápida

Un benchmark riguroso de detección de deepfakes en imágenes debería medir el rendimiento por separado de la detección general de imágenes con IA, ya que los artefactos de intercambio de rostros y manipulación de identidad difieren de los artefactos de generación de imagen completa, y debería incluir rostros reales sin alterar para medir falsos positivos.

Datos clave

  • La detección de deepfakes se evalúa por separado de la detección general de generación de imágenes con IA
  • Los falsos positivos en rostros reales son tan importantes de medir como los verdaderos positivos
  • Los ciclos de compresión y resubida afectan materialmente a la precisión de detección

Por qué el benchmarking de deepfakes es distinto

La generación de imagen completa por IA y los deepfakes de intercambio de rostros dejan rastros técnicos diferentes. Un benchmark centrado en deepfakes necesita su propio conjunto de evaluación de ejemplos de intercambio de rostros y manipulación de identidad en lugar de reutilizar un benchmark general de generación de imágenes con IA.

Dimensiones de evaluación

Un benchmark útil de deepfakes debería probar la detección en múltiples técnicas de manipulación facial y condiciones de degradación reales.

  • Composiciones de intercambio de rostro
  • Ediciones faciales parciales y localizadas
  • Rostros reales sin alterar (para medir falsos positivos)
  • Copias recomprimidas y resubidas (condiciones de plataformas sociales)

Métricas

El informe debería separar la tasa de verdaderos positivos, la tasa de falsos positivos en fotos genuinas, la degradación del rendimiento bajo compresión y la calibración de confianza, en lugar de una única cifra de precisión combinada.

Composición de los datos

Composiciones de intercambio de rostroImágenes con un rostro intercambiado o mezclado sintéticamente, usadas para medir la tasa de verdaderos positivos.
Ediciones faciales parciales y localizadasImágenes con retoque facial dirigido o ediciones de rasgos que no llegan a un intercambio completo, un caso de detección más difícil.
Rostros reales sin alterarFotografías genuinas y sin editar de rostros, usadas para medir falsos positivos, crítico en contextos sensibles a la identidad.
Copias recomprimidas y resubidasImágenes de rostros procesadas a través de los procesos típicos de subida de plataformas sociales, para medir la robustez en condiciones reales.

Métricas del benchmark

Composiciones de intercambio de rostroPendienteCategoría de evaluación definida; resultados aún no probados.
Rostros reales sin alterarPendienteCategoría de medición de falsos positivos; resultados aún no probados.

Términos relacionados

DeepfakeDeepfake

Preguntas frecuentes

¿Es esta una afirmación de precisión publicada?

Todavía no. Esta página define el marco de evaluación; los resultados se publicarán una vez completadas las pruebas frente a un conjunto de imágenes documentado, en consonancia con la página de metodología de PhotoProof AI.

¿Por qué probar rostros reales sin alterar en absoluto?

Porque un detector que marca en exceso fotos genuinas es perjudicial en contextos sensibles a la identidad. La tasa de falsos positivos en rostros reales es tan importante como la tasa de captura en los manipulados.

Capa de respuesta para búsqueda con IA

Respuesta rápida para personas y búsqueda con IA

Deepfake detection looks for inconsistencies in identity, facial details, lighting, artifacts, and generation patterns across images or videos.

Entidad principal
Deepfake
Grupo temático
Benchmark Center
Intención de búsqueda
research
Tipo de contenido
Benchmark

Respuesta rápida

Deepfake detection looks for inconsistencies in identity, facial details, lighting, artifacts, and generation patterns across images or videos.

Datos clave

  • Entidad principal: Deepfake
  • Grupo temático: Benchmark Center
  • Intención de búsqueda: research
  • Tipo de contenido: Benchmark

Metodología

  • Separa la probabilidad de generación por IA de la confianza en la autenticidad.
  • Combina señales visuales, de metadatos, de manipulación, de compresión, de procedencia y de contexto.
  • Explica la incertidumbre y los límites en lugar de presentar una prueba binaria.

Ventajas y limitaciones

  • La detección de IA y forense debe interpretarse como evidencia probabilística, no como prueba absoluta.
  • Las decisiones fiables de autenticidad deben combinar el resultado del modelo con procedencia, contexto, metadatos y revisión humana.
Radio de contenido

Benchmark Center: Hub for PhotoProof AI's benchmark pages — the test scope, evaluation protocol, and evidence behind detection performance claims, one benchmark per generator or risk category rather than a single blended number.

Explorar a continuación

Ruta de lectura recomendada

Estos enlaces se generan a partir de relaciones de tema, entidad y hub, no se mantienen manualmente.

Analizar una imagen