ХРОНІКА НАУКОВИХ ДОСЛІДЖЕНЬ У СФЕРІ ДІПФЕЙКІВ: АНАЛІЗ ПУБЛІКАЦІЙ, ТЕНДЕНЦІЙ ТА ВИКОРИСТАНИХ ДАТАСЕТІВ
DOI:
https://doi.org/10.17721/2519-481X/2025/87-09Ключові слова:
діпфейк, генеративні мережі, мультимодальна детекція, розпізнавання фейків, трансформери, нейромережіАнотація
У статті здійснено системний огляд наукових досліджень з проблематики виявлення діпфейків у період з 2015 по 2025 рік. Показано, як зростання генеративних можливостей (від перших GAN до сучасних дифузійних моделей) стимулювало розвиток засобів детекції. Проаналізовано ключові архітектурні рішення: згорткові нейронні мережі, трансформери, мультимодальні моделі, а також self-supervised підходи. Значну увагу приділено відкритим датасетам, що стали рушієм прогресу у цій галузі: FaceForensics++, DFDC, Celeb-DF, ForgeryNet. Проведено кількісний аналіз динаміки наукових публікацій за даними Google Scholar — зокрема, відображено стрімке зростання інтересу до тематики після 2018 року. Зроблено спробу періодизації технологічного розвитку, яку подано у вигляді узагальненої таблиці трендів. Описано також сучасні виклики: поява реалістичних голосових фейків, ускладнення генераторів, атаки на детектори. У статті наведено графік приросту кількості наукових робіт з теми діпфейків за 2015–2024 роки, що демонструє динаміку експоненційного росту. Окремо акцентовано прикладні аспекти: використання детекції фейкових медіа в кібербезпеці, судовій експертизі, журналістиці та захисті персональних даних. Розглядаються перспективи створення єдиних стандартів цифрового маркування контенту, інтеграції методів розпізнавання в реальні системи зв’язку та попередження дезінформації в соціальних мережах. Підкреслюється важливість міжнародної координації у вирішенні проблеми діпфейків, а також активна участь наукової спільноти у розробці етичних принципів використання штучного інтелекту. Усе це підтверджує стратегічну актуальність теми дослідження не лише сьогодні, а й у найближчому майбутньому. Результати можуть бути використані як методична база для міждисциплінарних ініціатив.
Посилання
1. Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A. and Bengio, Y., 2014. Generative adversarial nets. Advances in Neural Information Processing Systems, 27.
2. Li, Y., Chang, M. and Lyu, S., 2018. In ictu oculi: Exposing AI generated fake face videos by detecting eye blinking. arXiv preprint, arXiv:1806.02877. https://arxiv.org/abs/1806.02877
3. Korshunov, P. and Marcel, S., 2018. Deepfakes: a new threat to face recognition? Assessment and detection. arXiv preprint, arXiv:1812.08685. https://arxiv.org/abs/1812.08685
4. Afchar, D., Nozick, V., Yamagishi, J. and Echizen, I., 2018. MesoNet: A compact facial video forgery detection network. In: 2018 IEEE International Workshop on Information Forensics and Security (WIFS). IEEE.
5. Rössler, A., Cozzolino, D., Verdoliva, L., Riess, C., Thies, J. and Nießner, M., 2019. FaceForensics++: Learning to detect manipulated facial images. In: Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV). IEEE.
6. Dolhansky, B., Bitton, J., Pflaum, B., Lu, J., Howes, R., Wang, M. and Ferrer, C.C., 2019. The Deepfake Detection Challenge (DFDC) Preview Dataset. arXiv preprint, arXiv:1910.08854. https://arxiv.org/abs/1910.08854
7. Li, Y., Yang, X., Sun, P., Qi, H. and Lyu, S., 2020. Celeb-DF: A large-scale challenging dataset for deepfake forensics. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). IEEE.
8. He, Y., Zhang, H., Chang, W., Chen, X., Liu, Z., Sun, Q. and Lyu, S., 2021. ForgeryNet: A versatile benchmark for comprehensive forgery analysis. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). IEEE.
9. Zhang, D., Lin, F., Hua, Y., Wang, P., Zeng, D. and Ge, S., 2022. Deepfake Video Detection with Spatiotemporal Dropout Transformer. In: Proceedings of the 30th ACM International Conference on Multimedia.
10. Rahmouni, N., Nozick, V., Yamagishi, J. and Echizen, I., 2023. Compressed deepfake detection using a spatio-temporal approach. Procedia Computer Science, 219, pp. 436–444.
11. Nguyen, H.H., Yamagishi, J. and Echizen, I., 2023. Exploring self-supervised vision transformers for deepfake detection: a comparative analysis. arXiv preprint, arXiv:2305.00000.
12. Jain, A. and Bhushan, B., 2024. Ethics-aware artificial intelligence in the fight against deepfakes. AI and Ethics, 4(1), pp. 1–9.
