DeepShield: Um Framework Híbrido de Deep Learning para Detecção em Tempo Real de Deepfakes Usando Dicas Espaciais e Temporais

O deep learning demonstrou um sucesso notável na resolução de problemas complexos em vários domínios, como análise de big data, visão computacional e controle em nível humano. No entanto, os mesmos avanços no deep learning também deram origem a aplicações que representam ameaças à privacidade, democracia e segurança nacional. Uma dessas aplicações é a tecnologia deepfake, que utiliza algoritmos de deep learning para criar imagens e vídeos falsos convincentes e realistas, indistinguíveis dos autênticos. Consequentemente, tornou-se imperativa a necessidade de tecnologias capazes de detectar automaticamente e avaliar a integridade da mídia visual digital. Este artigo visa apresentar uma pesquisa abrangente dos algoritmos empregados para criar deepfakes e, mais importante, dos métodos propostos na literatura para detectar deepfakes. A revisão aprofunda discussões extensas sobre os desafios, tendências de pesquisa e direções futuras relacionadas às tecnologias deepfake. Ao revisar o histórico dos deepfakes e examinar os métodos de detecção de deepfakes de última geração, este estudo fornece uma visão inclusiva das técnicas deepfake, facilitando assim o desenvolvimento de métodos novos e robustos para combater as ameaças cada vez mais sofisticadas dos deepfakes. Em conclusão, este artigo de revisão oferece uma visão abrangente das técnicas e métodos de detecção de deepfakes. Ao sintetizar a literatura existente e destacar tendências e desafios de pesquisa, visa apoiar o desenvolvimento de abordagens novas e eficazes para combater a crescente ameaça dos deepfakes, garantindo a integridade, privacidade e segurança da mídia visual digital em um mundo cada vez mais complexo e interconectado.