La détection des deepfakes vise à contrer la propagation des médias générés de manière artificielle qui érodent la confiance envers le contenu en ligne. Alors que les méthodes existantes se concentrent sur des modèles volumineux et complexes, la nécessité d'une détection en temps réel exige une efficacité accrue. À cet égard, contrairement aux travaux antérieurs, nous proposons une nouvelle approche de détection des deepfakes sur images basée sur des Réseaux de Neurones Binaires (BNNs), permettant une inférence rapide avec une perte d’accuracy minimale. En outre, notre méthode intègre la Transformation de Fourier Rapide (FFT) et le Modèle Binaire Local (LBP) comme caractéristiques supplémentaires par canal afin d’identifier des traces de manipulation dans les domaines fréquentiel et textural. Les évaluations effectuées sur les jeux de données COCOFake, DFFD et CIFAKE démontrent que notre méthode atteint des performances de pointe dans la plupart des scénarios, tout en offrant une amélioration significative de l’efficacité — jusqu’à une réduction de 20 fois des FLOPs durant l’inférence. Enfin, en explorant l’utilisation des BNNs dans la détection des deepfakes afin d’équilibrer précision et efficacité, ce travail ouvre la voie à des recherches futures sur la détection efficace des deepfakes.