Benchmark FakeI2V-Bench expõe limites de detectores de deepfake em vídeo e propõe ponte para reaproveitar detectores de imagem

O artigo enfrenta uma lacuna prática da forense de mídia sintética: a maioria dos detectores de deepfake foi desenvolvida e validada para imagens estáticas, mas o conteúdo que mais preocupa hoje — vídeos gerados por modelos image-to-video cada vez mais realistas — carece de benchmarks robustos e atualizados para avaliar se essas ferramentas continuam funcionando quando aplicadas quadro a quadro em vídeo. Sem esse tipo de avaliação sistemática, peritos e plataformas correm o risco de confiar em detectores desatualizados frente a geradores de última geração.

Metodologicamente, o FakeI2V-Bench reúne 97.548 vídeos produzidos pelos modelos generativos mais recentes, cobrindo uma variedade maior de categorias de conteúdo do que benchmarks anteriores. Sobre essa base, os pesquisadores comparam oito detectores desenhados especificamente para vídeo contra doze detectores originalmente construídos para imagens estáticas, aplicados quadro a quadro. O resultado central é contraintuitivo: o melhor detector de imagem (80,16% AUC) supera ligeiramente o melhor detector de vídeo (79,99% AUC), sugerindo que a dimensão temporal explorada pelos modelos de vídeo não está entregando a vantagem esperada na prática atual.

Para além do diagnóstico, os autores propõem o IV-Bridge, um mecanismo de agregação que usa um random forest sobre características estatísticas das previsões por quadro para consolidar um veredito em nível de vídeo. Aplicado aos doze detectores de imagem do estudo, o IV-Bridge faz onze deles superarem o melhor detector de vídeo nativo, com a melhor combinação alcançando 93,80% de AUC — um salto expressivo sobre a linha de base.

Para quem trabalha com verificação de mídia digital em investigações — seja em casos de desinformação, fraude documental por vídeo ou golpes com voz/imagem sintética —, o achado prático é duplo: primeiro, um alerta de que detectores especializados em vídeo não são automaticamente superiores aos adaptados de imagem, o que deveria pesar na escolha de ferramentas periciais; segundo, uma técnica de agregação simples e barata (um classificador raso sobre estatísticas de quadro) que pode ser acoplada a detectores já existentes para melhorar a confiabilidade sem precisar treinar um modelo de vídeo do zero. O dataset e o código liberados também servem como referência de teste para validar novas ferramentas forenses de detecção de vídeo sintético.