Deepfake検出は、信頼性を損なう深層生成メディアの拡散を抑制することを目的としている。従来の手法は大規模かつ複雑なモデルに注目してきたが、リアルタイム検出の要請に応えるため、より高い効率性が求められている。このような背景から、これまでの研究とは異なり、本研究ではバイナリニューラルネットワーク（BNNs）を用いた画像向けの新たなDeepfake検出手法を提案する。これにより、最小限の精度低下で高速な推論が実現可能となる。さらに、周波数領域およびテクスチャ領域における操作痕跡を明らかにするために、高速フーリエ変換（FFT）および局所バイナリパターン（LBP）を追加チャネル特徴として組み込み、検出性能の向上を図っている。COCOFake、DFFD、CIFAKEの各データセットにおける評価結果から、本手法は多くのシナリオにおいて最先端の性能を達成し、推論時のFLOPs（浮動小数点演算回数）を最大で20倍削減する顕著な効率性の向上を示した。本研究は、精度と効率のバランスを実現するBNNのDeepfake検出への応用を検証することで、今後の効率的Deepfake検出手法に関する研究の道を開くものである。