Un grupo de investigadores de la Escuela de Ciencia y Tecnología de la Universidad Oceánica de China ha desarrollado un innovador marco denominado Dual Progressive Learning (DPL) para detectar DeepFakes, un problema emergente en el ámbito de la tecnología multimedia que se ha visto exacerbado por las mejoras en la calidad de los vídeos que a menudo sufren diferentes tipos de compresión.

El DPL se basa en una metáfora similar a la perforación progresiva para detectar agua subterránea, donde los rastros de falsificación en vídeos de alta calidad son más accesibles, mientras que los de baja calidad requieren más esfuerzo para ser encontrados. Esto se logra a través de dos ramas secuenciales. La primera se enfoca en excavar progresivamente los rastros de falsificación según la calidad del vídeo mediante un indicador basado en CLIP. La segunda rama se centra en la identificabilidad del fraude, utilizando el mismo módulo de selección de características que la primera rama.

Estas innovaciones son el resultado de una serie de experimentos extensivos que han demostrado la superioridad del método para la detección de DeepFakes de calidad cruzada. Esta investigación proporciona una nueva perspectiva sobre cómo abordar las variaciones significativas de calidad que presentan desafíos únicos en la detección de DeepFakes, especialmente cuando los vídeos están sujetos a operaciones de compresión que distorsionan los patrones de rastros de falsificación.

El equipo ha diseñado una forma dinámica de asignar esfuerzos de detección, permitiendo a los modelos adaptarse y operar con bajo costo computacional al compartir pesos a través de diferentes pasos de tiempo y memorizar el progreso anterior. Este enfoque no solo mejora la detección actual sino que también promete continuar desarrollando el campo de la detección de falsificaciones al proporcionar un marco flexible y eficiente para futuras investigaciones.

La conclusión que se extrae de este trabajo es que el DPL no solo ofrece una mejora en eficiencia y precisión sobre métodos anteriores, sino que también podría ser aplicado a otras áreas del análisis de vídeos en tiempo real, lo que representa un avance significativo en la aplicación de tecnologías de inteligencia artificial para problemas prácticos en el mundo real.