A Magnet Forensics anunciou o Magnet AI Research Lab e divulgou seu primeiro estudo peer-reviewed, publicado no Journal of Forensic Sciences, comparando o classificador de IA do Magnet Verify com examinadores humanos na tarefa de autenticar vídeos (originais, editados, de redes sociais ou gerados por IA). O sistema atingiu 91% de acurácia contra 69% dos humanos, sem nenhuma classificação incorreta, abstendo-se de decidir nos casos ambíguos.
A Magnet Forensics anunciou a criação do Magnet AI Research Lab e publicou, no Journal of Forensic Sciences, seu primeiro estudo revisado por pares comparando peritos humanos a um sistema especialista de IA na autenticação de vídeos. O experimento testou 14 arquivos (originais de câmera, editados, de redes sociais e gerados por IA) e mostrou o módulo automatizado do Magnet Verify superando examinadores humanos treinados (91% contra 69% de acerto). A publicação busca dar lastro científico ao uso de IA em laudos periciais, ponto sensível em disputas judiciais sobre confiabilidade de prova digital.
Pesquisadores propõem um framework forense que autentica vídeos a partir da frequência da rede elétrica (ENF) — o zumbido captado no áudio e a cintilação captada no vídeo por obturador rolante — um sinal que modelos generativos não controlam diretamente. Um orquestrador agentico combina autenticidade do sinal com evidências de manipulação de conteúdo, escalando detectores mais caros só quando necessário, e atinge taxas de aceitação de 93% (áudio) e 100% (vídeo) em material genuíno, contra baselines de 53% e 15%.
Pesquisadores (Juan Hu, Shaojing Fan, Sanjay Saha, Marc Herrera e Terence Sim) publicaram no arXiv o TaintedPixels, um método de proteção proativa de vídeos faciais que injeta uma marca d'água quase imperceptível no canal azul da imagem. A marca permanece discreta no vídeo original, mas se torna visivelmente perceptível assim que o vídeo passa por uma ferramenta de manipulação facial do tipo caixa-preta, facilitando a identificação humana e automatizada da falsificação. Em teste com 300 vídeos e usuários não especialistas, a taxa de identificação de deepfakes saltou de 56,71% (fonte sem proteção) para 90,72% (fonte protegida).
Pesquisadores publicaram na Forensic Science International: Digital Investigation um estudo sobre um framework hibrido baseado em MobileNet para identificacao da camera de origem (source camera identification) a partir de videos, tema classico de forense de midia aplicado a autenticacao de conteudo digital. O trabalho e relevante para casos de verificacao de proveniencia de video em investigacoes.