Schneller als Lügen: Echtzeit-Detektion von Deepfakes unter Verwendung binärer neuronaler Netze

Die Erkennung von Deepfakes zielt darauf ab, die Verbreitung von durch KI generierten Medien einzudämmen, die das Vertrauen in Online-Inhalte untergräbt. Während bestehende Ansätze auf großen und komplexen Modellen basieren, erfordert die Anforderung an Echtzeit-Erkennung eine höhere Effizienz. Angesichts dieser Herausforderung stellen wir im Gegensatz zu früheren Arbeiten einen neuartigen Ansatz zur Deepfake-Erkennung in Bildern mittels Binärer Neuronaler Netze (Binary Neural Networks, BNNs) vor, der eine schnelle Inferenz mit minimaler Genauigkeitsminderung ermöglicht. Zudem integrieren wir die schnelle Fourier-Transformation (Fast Fourier Transform, FFT) und das lokale Binär-Muster (Local Binary Pattern, LBP) als zusätzliche Kanalmerkmale, um Manipulationsspuren sowohl im Frequenz- als auch im Texturbereich aufzudecken. Evaluierungen an den Datensätzen COCOFake, DFFD und CIFAKE zeigen, dass unsere Methode in den meisten Szenarien einen state-of-the-art-Leistungsstand erreicht, wobei sich die Effizienz während der Inferenz um bis zu einem Faktor 20 in Bezug auf die Anzahl der FLOPs (Floating Point Operations) verbessert. Schließlich eröffnet die Exploration von BNNs in der Deepfake-Erkennung einen neuen Weg zur Balance zwischen Genauigkeit und Effizienz und legt damit die Grundlage für zukünftige Forschung im Bereich effizienter Deepfake-Erkennung.