MIG-COW expõe fragilidade de detectores de deepfake contra ataques adversariais transferíveis
Pesquisadores apresentam o MIG-COW, um framework de ataque adversarial que combina gradientes integrados por momentum com uma decomposição ortogonal de consenso para gerar perturbações visuais imperceptíveis capazes de enganar detectores de deepfake baseados em CNN e Vision Transformer. Em cenário de caixa branca o ataque atinge 99,96% de sucesso mantendo alta similaridade perceptual (SSIM), mas cai para 7,16% contra alvos de caixa preta desconhecidos, revelando o limite real da transferibilidade. O estudo também mostra que combinar modelos substitutos pouco precisos no ensemble de ataque pode piorar sua eficácia.
Fonte ↗