What is deepfake detection and how does it work?

Deepfake detection uses visual, audio, and multimodal models to identify synthetic or manipulated media and verify authenticity via provenance standards. Modern approaches combine artifact analysis with Content Credentials to balance accuracy and traceability.

Which deepfake detection methods are most effective in 2025?

Multimodal ensembles—vision transformers plus audio-visual consistency and provenance checks—perform best across in-the-wild content. Look for cross-benchmark validation on datasets like Deepfake-Eval-2024 and DFDC for reliable generalization.

Can watermarking or C2PA alone stop deepfakes?

No. Watermarking and C2PA improve transparency and verification but aren’t universally adopted and can be stripped. Pair provenance with robust detection and human review for high-impact decisions.

How do I evaluate deepfake detection tools?

Test across multiple benchmarks and real, compressed social media clips, not just pristine datasets. Check false positive rates, cross-domain performance, support for audio, and whether the tool reads Content Credentials.

What datasets or benchmarks should I use?

Use a mix: legacy sets like DFDC and Celeb-DF for baselines, plus in-the-wild benchmarks such as Deepfake-Eval-2024 to stress-test generalization and platform robustness.

2025-ல் டீப்ஃபேக் கண்டறிதல்: முறைகள், தரநிலைகள், மற்றும் உண்மையில் வேலை செய்வது என்ன

அறிமுகம்: டீப்ஃபேக் (Deepfake) சிக்கல் நிஜமானது ஒரு நம்பகமான கிளிப் (clip), சந்தைகளை நகர்த்தவோ, தேர்தல்களை ஆட்டவோ அல்லது ஒருவரின் நற்பெயரை சில மணி நேரங்களில் அழிக்கவோ முடியும். இது மிகைப்படுத்தல் அல்ல - இது இன்றைய டீப்ஃபேக்குகளின் செயல்பாட்டு உண்மை. பரவல் மாதிரிகள் (diffusion models) மற்றும் குரல் குளோனிங் (voice cloning) கருவிகள் மேம்படும்போது, உண்மைக்கும் செயற்கைக்கும் இடையிலான கோடு குறுகி வருகிறது. நல்ல செய்தி என்னவென்றால்: டீப்ஃபேக் கண்டறிதல் (deepfake detection) மேம்பட்டுள்ளது, பலவீனமான, தரவுத்தொகுப்பு சார்ந்த மாதிரிகளிலிருந்து (dataset-specific models) பல மாதிரி, தோற்றத்தை அறிந்த அமைப்புகளுக்கு (multimodal, provenance-aware systems) நகர்கிறது, அவை காட்டுக்குள் சிறப்பாகப் பொதுமைப்படுத்துகின்றன (generalize). இந்த வழிகாட்டி 2025 இல் டீப்ஃபேக் கண்டறிதல் (deepfake detection) எப்படி இருக்கும் என்பதை உடைக்கிறது - எது வேலை செய்கிறது, எது தோல்வியடைகிறது, மேலும் ஒரு மீள்தன்மைமிக்க (resilient) விளையாட்டுப் புத்தகத்தை எவ்வாறு உருவாக்குவது.

டீப்ஃபேக் கண்டறிதல் (Deepfake Detection) என்றால் என்ன? அதன் மையத்தில், டீப்ஃபேக் கண்டறிதல் (deepfake detection) இரண்டு கேள்விகளுக்கு பதிலளிக்க முயல்கிறது:

இந்த ஊடகம் செயற்கையானதா அல்லது கையாளப்பட்டதா?

அதன் தோற்றம் மற்றும் எடிட்டிங் (editing) வரலாற்றை நாம் சரிபார்க்க முடியுமா?

அந்த பதில்களுக்கு ஒரு மாதிரி மட்டும் போதாது, ஒரு அடுக்கு தேவை: காட்சி தடயவியல் (visual forensics), ஆடியோ பகுப்பாய்வு (audio analysis), குறுக்கு-முறைமை நிலைத்தன்மை சோதனைகள் (cross-modal consistency checks), மற்றும் கன்டென்ட் கிரெடென்ஷியல்ஸ் (Content Credentials) (C2PA) போன்ற தோற்ற சமிக்ஞைகள். புதிய கள அளவுகோல்கள் இந்த மாற்றத்தை பிரதிபலிக்கின்றன, சுத்தமான ஆய்வக தரவுக்கு பதிலாக உண்மையான சத்தம், சுருக்கம் மற்றும் விரோத தந்திரோபாயங்களுக்கு எதிராக மாதிரிகளை சோதிக்கின்றன.

நாம் எப்படி இங்கு வந்தோம்: ஒரு விரைவான பரிணாமம்

அலை 1: CNN அடிப்படையிலான கண்டறிபவர்கள் (எ.கா., XceptionNet) ஆரம்பகால GAN களில் இருந்து பிக்சல்-நிலை கலைப்பொருட்களைக் (pixel-level artifacts) கண்டறிந்தனர்.

அலை 2: டிரான்ஸ்பார்மர் (Transformer) முதுகெலும்புகள், சுய-கண்காணிப்பு அம்சங்கள் (self-supervised features) மற்றும் அதிர்வெண்-டொமைன் குறிப்புகள் (frequency-domain cues) உறுதியை மேம்படுத்தின.

அலை 3: மல்டிமாடல் (Multimodal) கண்டறிபவர்கள் மற்றும் ஆதாரம் தரநிலைகள் (C2PA) பொதுமைப்படுத்தல் மற்றும் கண்டுபிடிக்கக்கூடிய தன்மையை பெரிய அளவில் நிவர்த்தி செய்தன.

முதன்மை முக்கிய வார்த்தை: டீப்ஃபேக் கண்டறிதல் (deepfake detection) அபாயக் கட்டுப்பாடுகளை உருவாக்கும்போதும், UGC ஐ சரிபார்க்கும்போதும் அல்லது பிராண்ட் (brand) பாதுகாப்பை பாதுகாக்கும்போதும் குழுக்கள் எதைத் தேடுகிறார்கள் என்பதோடு ஒத்துப்போக இந்த வழிகாட்டி முழுவதும் டீப்ஃபேக் கண்டறிதல் (deepfake detection) என்பதைப் பயன்படுத்துவோம்.

கலையின் நிலை: எந்த முறைகள் இப்போது வேலை செய்கின்றன

விஷன் டிரான்ஸ்பார்மர்கள் (ViT) மற்றும் அதிர்வெண் குறிப்புகள்

ஏன் இது வேலை செய்கிறது: பரவல் மற்றும் GAN மாதிரிகள் நுட்பமான இடஞ்சார்ந்த/அதிர்வெண் கலைப்பொருட்களை விட்டுச்செல்கின்றன. ViTகள் நீண்ட தூர சார்புகளைப் (long-range dependencies) பிடிக்கின்றன; அதிர்வெண் சார்ந்த அதிகரிப்பு மற்றும் அலைமாற்றி மாற்றங்கள் (wavelet transforms) தொகுப்பு தடயங்களை வெளிப்படுத்துகின்றன.

எங்கே அது உடைகிறது: அதிக சுருக்கம், மறுஅளவிடுதல் மற்றும் {TikTok}/{WhatsApp} டிரான்ஸ்கோட்கள் அதிக அதிர்வெண் தடயங்களை வெளியேற்றலாம். டொமைன் (domain) மாற்றம் எதிரியாகவே இருக்கிறது.

ஆடியோ-காட்சி குறுக்கு-நிலைத்தன்மை

ஏன் இது வேலை செய்கிறது: உதடு அசைவு எதிராக ஒலிப்பு சீரமைப்பு (phoneme alignment), கண் சிமிட்டும் விகிதங்கள், துடிப்பு சமிக்ஞைகள் (தூர PPG), மற்றும் நுண்ணிய வெளிப்பாடுகள் (micro-expressions) பேச்சுடன் பொருந்த வேண்டும். மல்டிமாடல் (Multimodal) மாதிரிகள் ஒற்றை-முறைமை கண்டறிபவர்கள் தவறவிடும் முரண்பாடுகளைக் குறிக்கின்றன.

எங்கே அது உடைகிறது: குறைந்த தெளிவுடைய கிளிப்புகள், மேலடுக்கு இசை அல்லது முகங்களை மறைக்கும் கேமரா கோணங்கள். குரல்-ஒலி மட்டும் போலிகளுக்கு சிறப்பு ஆடியோ வகைப்படுத்திகள் தேவை.

பரவல் சகாப்த தடயவியல்

ஏன் இது வேலை செய்கிறது: பரவல் படங்கள் மற்றும் வீடியோக்கள் GANகளிலிருந்து வேறுபட்ட டெனோயிசிங் (denoising) தடயங்களைக் காட்டுகின்றன. புதிய கண்டறிபவர்கள் இந்த முன்கூட்டியே கற்றுக்கொள்கிறார்கள் மற்றும் இணைப்பு-நிலை அம்சங்களைப் பயன்படுத்துகிறார்கள்.

எங்கே அது உடைகிறது: பிந்தைய செயலாக்க குழாய்த்திட்டங்கள் (post-processing pipelines) (அப்ஸ்கேலர்கள், கலர் கிரேடிங், மறு குறியாக்கம்) தலைமுறை தடயங்களை மறைக்க முடியும்.

ஆதாரம் மற்றும் வாட்டர்மார்க்கிங் (Watermarking) (C2PA / கன்டென்ட் கிரெடென்ஷியல்ஸ்)

ஏன் இது வேலை செய்கிறது: எதிர்மறையை நிரூபிப்பதற்கு பதிலாக, நீங்கள் நேர்மறையைச் சரிபார்க்கிறீர்கள் - உள்ளடக்கம் எங்கிருந்து வந்தது மற்றும் அது எவ்வாறு மாறியது. வெளியீட்டாளர்கள் மீடியாவுடன் பயணிக்கும் மறைகுறியாக்கப்பட்ட வெளிப்பாடுகளை உட்பொதிக்கிறார்கள்.

எங்கே அது உடைகிறது: இன்னும் அனைவரும் தரத்தை ஏற்றுக்கொள்ளவில்லை. தாக்குதல் செய்பவர்கள் மெட்டாடேட்டாவை அகற்றலாம். இருப்பினும், பரவலான கருவித்தொகுப்பு மற்றும் UI லேபிள்கள் ஈர்ப்பைப் பெறுகின்றன, மேலும் கொள்கை வேகம் அதிகரித்து வருகிறது.

தரவுத்தொகுப்புகள் முழுவதும் பொதுமைப்படுத்தல்

ஏன் இது வேலை செய்கிறது: புதிய பயிற்சி முன்னுதாரணங்கள் குறுக்கு-டொமைன் உறுதியை வலியுறுத்துகின்றன - இயங்குதள கலைப்பொருட்களைப் பிரதிபலிக்கும் அதிகரிப்புகள், பாடத்திட்ட கற்றல், செயற்கையிலிருந்து-உண்மைக்கு தழுவல் மற்றும் சோதனை-நேர தழுவல். 2019-2025 வரை பரவியுள்ள 13+ அளவுகோல்கள் முழுவதும் துல்லியத்தைப் பேணும் மாதிரிகள் சமீபத்திய ஆராய்ச்சியில் காட்டுகின்றன.

எங்கே அது உடைகிறது: காட்டில் மீம்கள், தைக்கப்பட்ட திருத்தங்கள், செங்குத்து வெட்டுக்கள் மற்றும் ஆக்கிரமிப்பு வடிப்பான்கள். அதனால்தான் குழு உத்திகள் முக்கியம்.

2025 இல் முக்கியமான அளவுகோல்கள்

டீப்ஃபேக்-Eval-2024: உண்மையான உலக விநியோக மாற்றத்தைப் பிரதிபலிக்கும் சமூக ஊடக-சொந்த சத்தத்துடன் கூடிய மல்டி-மாடல் (multi-modal) அளவுகோல்.

மரபு மற்றும் இன்னும் பயனுள்ளது: மாதிரி ஒப்பீடு மற்றும் நீக்குதல்களுக்கு FaceForensics++, DFDC, Celeb-DF, DeeperForensics.

ஏன் இது முக்கியம்: ஒரு கண்டறிபவர் ஒரு சுத்தமான தரவுத்தொகுப்பில் வென்றால், அதை நம்பாதீர்கள். குறுக்கு-அளவுகோல் முடிவுகள் மற்றும் காட்டு சரிபார்ப்புகளைத் தேடுங்கள். பரவல் சகாப்த சவால்களை சுருக்கமாகக் கூறும் ஆய்வுகள் தொழில்நுட்ப விடாமுயற்சிக்கான பயனுள்ள தொடக்க புள்ளிகள் ஆகும்.

டீப்ஃபேக் கண்டறிதலுக்கான (deepfake detection) ஒரு நடைமுறை, 7-அடுக்கு விளையாட்டு புத்தகம் அடுக்கு 1: வேகமான வகைப்படுத்துதல் (எட்ஜ் (Edge) அல்லது API)

குறிக்கோள்: பதிவேற்றும்போது அல்லது உட்கொள்ளும்போது சாத்தியமான செயற்கை பொருட்களை விரைவாகக் குறிக்கவும்.

தந்திரோபாயங்கள்: இலகுரக {ViT} அடிப்படையிலான வகைப்படுத்திகள், படம்/வீடியோ சுருக்க இயல்பாக்கம் மற்றும் ஹீயூரிஸ்டிக் (heuristic) சமிக்ஞைகள் (EXIF அசாதாரணங்கள், ஒற்றைப்படை அம்ச கோடெக்குகள்).

வெளியீடு: ஆபத்து மதிப்பெண் + ஆழமான சோதனைகளுக்கு பாதை.

அடுக்கு 2: ஆடியோ-காட்சி நிலைத்தன்மை

குறிக்கோள்: பேச்சுக்கும் முக/உதடு அசைவுக்கும் இடையே உள்ள பொருத்தமின்மையைக் கண்டறியவும்.

தந்திரோபாயங்கள்: ஒலிப்பு சீரமைப்பு மாதிரிகள், {RPPG} மதிப்பீடு, கண் சிமிட்டல்/நுண்ணிய வெளிப்பாடு பகுப்பாய்வு.

வெளியீடு: ஒரு பகுதிக்கு நிலைத்தன்மை மதிப்பெண்.

அடுக்கு 3: அதிர்வெண்- மற்றும் இணைப்பு-நிலை தடயவியல்

குறிக்கோள்: பரவல் விட்டுச்செல்லும் தொகுப்பு தடயங்களைப் பிடிக்கவும்.

தந்திரோபாயங்கள்: அதிர்வெண் மாற்றங்கள், இணைப்பு உட்பொதிவுகள், இயங்குதள சத்தத்தை உருவகப்படுத்தும் விரோத அதிகரிப்புகள்.

வெளியீடு: கலைப்பொருள் வெப்ப வரைபடங்கள் + ஆய்வாளர்களுக்கான விளக்கம் மேலடுக்குகள்.

அடுக்கு 4: தோற்றம் & நம்பகத்தன்மை (C2PA)

குறிக்கோள்: பொறுப்புச் சங்கிலியைச் சரிபார்க்கவும்.

தந்திரோபாயங்கள்: கன்டென்ட் கிரெடென்ஷியல்ஸ் (Content Credentials)ஐ சரிபார்க்கவும், மேற்பரப்பு கையொப்பமிடும் அதிகாரத்தை சரிபார்க்கவும், தயாரிப்பு {UI} இல் நுகர்வோருக்கு ஏற்ற லேபிளை வழங்கவும்.

வெளியீடு: சரிபார்க்கப்பட்ட/சரிபார்க்கப்படாத தோற்ற பேட்ஜ், திருத்து வரலாற்றின் வேறுபாடு.

அடுக்கு 5: குறுக்கு-மாதிரி குழுமம்

குறிக்கோள்: தவறான நேர்மறைகளைக் குறைத்து பொதுமைப்படுத்தலை மேம்படுத்தவும்.

தந்திரோபாயங்கள்: காட்சி, ஆடியோ, மல்டிமாடல் (multimodal) மற்றும் தோற்ற சமிக்ஞைகளிலிருந்து லாஜிட்களை கலக்கவும்; உள்ளடக்க வகையின் மூலம் வரம்புகளை அளவீடு செய்யவும் (செய்தி எதிராக பொழுதுபோக்கு).

வெளியீடு: நம்பிக்கை இடைவெளிகளுடன் அளவீடு செய்யப்பட்ட ஆபத்து மதிப்பெண்.

அடுக்கு 6: மனிதன்-சுழற்சி மதிப்பாய்வு

குறிக்கோள்: எட்ஜ் (Edge) நிகழ்வுகள் மற்றும் அதிக தாக்க முடிவுகளைத் தீர்க்கவும்.

தந்திரோபாயங்கள்: பக்க-பக்கமாக பிரேம்கள், அலைவடிவ மேலடுக்குகள், உதடு-ஒத்திசைவு சீரமைப்பு காலக்கெடு மற்றும் தோற்ற வெளிப்பாடுகளுடன் கூடிய ஆய்வாளர் கன்சோல்.

வெளியீடு: தணிக்கைக்கு பதிவு செய்யப்பட்ட முடிவு + நியாயம்.

அடுக்கு 7: பிந்தைய முடிவு மற்றும் பின்னூட்ட சுழற்சி

குறிக்கோள்: தொடர்ச்சியான முன்னேற்றம்.

தந்திரோபாயங்கள்: சர்ச்சைக்குரிய நிகழ்வுகளிலிருந்து செயலில் கற்றல், கடினமான எதிர்மறைகளில் மாதிரி மறுபயிற்சி, புதிய ஜெனரேட்டர்கள் மற்றும் பிரபலமான பயன்பாடுகளுக்கு எதிரான சிவப்பு-குழு மதிப்பீடுகள்.

வெளியீடு: காலாண்டு உறுதி அறிக்கைகள்.

எதை எப்போது நம்புவது: ஒரு முடிவு அணி

முக்கிய செய்தி காட்சிகள்: தோற்றம் (அடுக்கு 4) மற்றும் குறுக்கு-முறைமை சோதனைகளுக்கு (அடுக்கு 2) அதிக முக்கியத்துவம் கொடுக்கவும். தாக்கம் அதிகமாக இருந்தால் மனித மதிப்பாய்வு தேவை.

சமூக தளங்களில் UGC: சுருக்கத்தை எதிர்பார்க்கவும். இயங்குதள கலைப்பொருட்களுக்காக டியூன் (tune) செய்யப்பட்ட குழு மாதிரிகளில் (அடுக்கு 5) சாய்வாக இருங்கள்.

நிறுவன பிராண்ட் (brand) பாதுகாப்பு: அதிக வரம்புகளைப் பயன்படுத்துங்கள் மற்றும் மனிதர்களை சுழற்சியில் வைத்திருங்கள். இணக்கத்திற்காக வெளிப்பாடுகள் மற்றும் முடிவுகளை காப்பகப்படுத்தவும்.

முக்கிய குறைபாடுகள் (மற்றும் அவற்றை எவ்வாறு தவிர்ப்பது)

ஒரு தரவுத்தொகுப்பிற்கு அதிகமாக பொருந்துதல்: குறுக்கு-அளவுகோல் சரிபார்ப்பு மற்றும் காட்டு செயல்திறனை கோரவும்.

ஆடியோவைப் புறக்கணித்தல்: வீடியோ-ஒலி கண்டறிபவர்கள் குரல் குளோன்களை தவறவிடுகிறார்கள்.

வாட்டர்மார்க்கிங்கை (watermarking) ஒரு சில்வர் புல்லட் (silver bullet) ஆகக் கருதுதல்: இது சக்தி வாய்ந்தது ஆனால் உலகளாவியதல்ல; கண்டறிதலுடன் இணைக்கவும்.

ஒரு மாறும் அச்சுறுத்தல் நிலப்பரப்பில் நிலையான மாதிரிகள்: மாதிரி புதுப்பிப்புகள் மற்றும் விரோத சோதனையை திட்டமிடுங்கள்.

கருவித்தொகுப்பு மற்றும் சுற்றுச்சூழல் அமைப்பு போக்குகள் கவனிக்க வேண்டியவை

தரப்படுத்தல் உத்வேகம்: உருவாக்கிய கருவித்தொகுப்பு மற்றும் வெளியீட்டாளர்கள் முழுவதும் C2PA வெளிப்பாடுகளை விரிவுபடுத்துதல், பயனர் எதிர்கொள்ளும் லேபிள்கள் மற்றும் {API}களுடன்.

கொள்கை மற்றும் இயங்குதள சமிக்ஞைகள்: உலகளாவிய மன்றங்களில் விவாதிக்கப்படும் அதிக வெளிப்படைத்தன்மை தேவைகள் மற்றும் வாட்டர்மார்க்கிங் (watermarking) சிறந்த நடைமுறைகள்.

பரவல்-சொந்த கண்டறிபவர்கள்: நிலையான வீடியோ உருவாக்க கலைப்பொருட்கள் மற்றும் கலப்பு குழாய்த்திட்டங்களுக்காக பிரத்யேகமாக உருவாக்கப்பட்டது.

பல-டர்ன் சரிபார்ப்பு: அசல் இடுகை ஆதாரம், குறுக்கு-இடுகை நேர முத்திரைகள் மற்றும் சொற்பொருள் முரண்பாடுகள் ஆகியவற்றை மதிப்பிடும் அமைப்புகள்.

எடுத்துக்காட்டுகள்: டீப்ஃபேக் கண்டறிதலை (deepfake detection) உண்மையான உலகில் பயன்படுத்துதல்

செய்தி அறை வகைப்படுத்துதல்: ஒரு பத்திரிகையாளர் வைரலான "CEO வாக்குமூலம்" வீடியோவைப் பெறுகிறார். குறைந்த தோற்றம், உதடு-ஒத்திசைவு பொருத்தமின்மை மற்றும் அதிர்வெண் அசாதாரணங்களை அந்த அமைப்பு குறிக்கிறது. ஒரு மனித மதிப்பாய்வாளர் அது ஒரு போலி என்பதை வெளியிடுவதற்கு முன்பு உறுதிப்படுத்துகிறார், இதனால் நற்பெயர் பாதிப்பு தடுக்கப்படுகிறது.

பிராண்ட் (brand) பாதுகாப்பு: ஒரு பிரபல ஒப்புதல் கிளிப் (clip) சந்தையில் தோன்றுகிறது. தோற்ற சோதனை தோல்வியடைகிறது; A/V பொருத்தமின்மை மிதமானது. குழு ஆபத்து மதிப்பெண் தள நம்பிக்கை மற்றும் பாதுகாப்பு குழுவுக்கு டேக் டவுன் (take down) மற்றும் அவுட்ரீச்சை தூண்டுகிறது.

தேர்தல் ஒருமைப்பாடு: ஒரு சிவில் தளம் சரிபார்க்கப்படாத அரசியல் கிளிப்களை "உள்ளடக்க சான்றுகள் இல்லை" என்று லேபிளிடுகிறது மற்றும் சரிபார்க்கப்படும் வரை அவர்களின் அணுகலை குறைக்கிறது.

குறிப்பிடத்தக்கது: {Sider}.AI டீப்ஃபேக் (deepfake) திட்டங்கள் மற்றும் கருவிகளைக் காட்டும் சமூக உள்ளடக்கத்தை வழங்கியுள்ளது. உங்கள் குழு கல்வி விளக்கக்காட்சிகளை முன்மாதிரியாகக் கொண்டால், பணிப்பாய்வுகள் மற்றும் பயனர் எதிர்பார்ப்புகளை ஒரே பார்வையில் புரிந்து கொள்ள எடுத்துக்காட்டுகள் மற்றும் வீடியோ ஆய்வுகளை நீங்கள் ஆராயலாம்.

இந்த வாரம் எப்படி தொடங்குவது: ஒரு குறுகிய, செயல்படக்கூடிய திட்டம் நாள் 1–2: அடிப்படை மற்றும் கொள்கைகள்

உள்ளடக்க வகுப்புகள் மற்றும் ஆபத்து வரம்புகளை வரையறுக்கவும்.

ஆரம்ப தரவுத்தொகுப்புகளைத் (DFDC, Celeb-DF) மற்றும் காட்டு மாதிரிகளையும் தேர்ந்தெடுக்கவும்.

நாள் 3–4: முன்மாதிரி

ஒரு இலகுரக காட்சி கண்டறிதல் மற்றும் ஒரு ஆடியோ-காட்சி ஒத்திசைவு சோதனையை செயல்படுத்தவும்.

உங்கள் உட்கொள்ளும் குழாய்த்திட்டத்திற்கு C2PA சரிபார்ப்பைச் சேர்க்கவும்.

நாள் 5–7: மதிப்பீடு செய்து மீண்டும் செய்யவும்

டிரான்ஸ்கோட்-அதிக மாதிரிகளில் சோதிக்கவும் (சமூக தள ஏற்றுமதிகள்).

வரம்புகளை அளவீடு செய்து அதிக தாக்க நிகழ்வுகளுக்கான மனித மதிப்பாய்வை அமைக்கவும்.

அடுத்த 30 நாட்கள்: உற்பத்தியாக்குதல்

அதிர்வெண் சார்ந்த மாதிரிகள் மற்றும் ஒரு மாதிரி குழுமத்தைச் சேர்க்கவும்.

ஆய்வாளர் கருவித்தொகுப்பு மற்றும் பின்னூட்ட சுழற்சிகளை உருவாக்கவும்.

காலாண்டு சிவப்பு-குழு பயிற்சிகளை நிறுவவும்.

முக்கியமான விஷயங்கள்

எந்தவொரு மாதிரியும் போதுமானதாக இல்லை; டீப்ஃபேக் கண்டறிதலின் (deepfake detection) அடுக்கப்பட்ட அடுக்குகளைப் பயன்படுத்தவும்.

அளவுகோல்கள் மற்றும் காட்டு செயல்திறன் முழுவதும் பொதுமைப்படுத்தல் உண்மையான வட துருவம்.

C2PA மூலம் ஆதாரம் அட்டவணை பங்காக மாறி வருகிறது; உறுதிக்காக கண்டறிதலுடன் இணைக்கவும்.

இதை ஒரு தொடர்ச்சியான ஆபத்து திட்டமாக கருதுங்கள், ஒரு முறை பயன்படுத்தும் பணியாக அல்ல.

மேலும் வாசிப்பு மற்றும் குறிப்புகள்

டீப்ஃபேக்-Eval-2024: காட்டில் மல்டி-மாடல் (multi-modal) அளவுகோல்.

AIGC சகாப்தத்தில் டீப்ஃபேக் கண்டறிதல் (deepfake detection) ஆய்வு.

13 அளவுகோல்களில் (2019–2025) பொதுமைப்படுத்தல்.

C2PA விவரக்குறிப்பு மற்றும் சுற்றுச்சூழல் அமைப்பு.

ஆளுகை மற்றும் வாட்டர்மார்க்கிங் (watermarking) சூழல்.

FAQ

Q1:டீப்ஃபேக் கண்டறிதல் (deepfake detection) என்றால் என்ன, அது எப்படி வேலை செய்கிறது? டீப்ஃபேக் கண்டறிதல் (deepfake detection) செயற்கை அல்லது கையாளப்பட்ட ஊடகத்தை அடையாளம் காண காட்சி, ஆடியோ மற்றும் மல்டிமாடல் (multimodal) மாதிரிகளைப் பயன்படுத்துகிறது மற்றும் தோற்ற தரநிலைகள் மூலம் நம்பகத்தன்மையை சரிபார்க்கிறது. நவீன அணுகுமுறைகள் துல்லியத்தையும் கண்டறியும் திறனையும் சமப்படுத்த கலைப்பொருள் பகுப்பாய்வை கன்டென்ட் கிரெடென்ஷியல்ஸ் (Content Credentials) உடன் இணைக்கின்றன.

Q2:2025 இல் எந்த டீப்ஃபேக் கண்டறிதல் (deepfake detection) முறைகள் மிகவும் பயனுள்ளதாக இருக்கும்? மல்டிமாடல் (Multimodal) குழுமங்கள் - விஷன் டிரான்ஸ்பார்மர்கள் (vision transformers) மற்றும் ஆடியோ-காட்சி நிலைத்தன்மை மற்றும் தோற்ற சோதனைகள் - காட்டு உள்ளடக்கத்தில் சிறப்பாக செயல்படுகின்றன. நம்பகமான பொதுமைப்படுத்தலுக்கு டீப்ஃபேக்-Eval-2024 மற்றும் {DFDC} போன்ற தரவுத்தொகுப்புகளில் குறுக்கு-அளவுகோல் சரிபார்ப்பைத் தேடுங்கள்.

Q3:வாட்டர்மார்க்கிங் (Watermarking) அல்லது {C2PA} மட்டும் டீப்ஃபேக்குகளை நிறுத்த முடியுமா? இல்லை. வாட்டர்மார்க்கிங் (Watermarking) மற்றும் {C2PA} வெளிப்படைத்தன்மை மற்றும் சரிபார்ப்பை மேம்படுத்துகின்றன, ஆனால் அவை உலகளவில் ஏற்றுக்கொள்ளப்படவில்லை மற்றும் அகற்றப்படலாம். அதிக தாக்க முடிவுகளுக்கு வலுவான கண்டறிதல் மற்றும் மனித மதிப்பாய்வுடன் தோற்றத்தை இணைக்கவும்.

Q4:டீப்ஃபேக் கண்டறிதல் (deepfake detection) கருவிகளை நான் எப்படி மதிப்பீடு செய்வது? பல்வேறு அளவுகோல்கள் மற்றும் உண்மையான, சுருக்கப்பட்ட சமூக ஊடக கிளிப்களில் சோதிக்கவும், தூய்மையான தரவுத்தொகுப்புகளில் மட்டும் அல்ல. தவறான நேர்மறை விகிதங்கள், குறுக்கு-டொமைன் செயல்திறன், ஆடியோவுக்கான ஆதரவு மற்றும் கருவி கன்டென்ட் கிரெடென்ஷியல்ஸ் (Content Credentials) ஐப் படிக்கிறதா என்பதைச் சரிபார்க்கவும்.

Q5:நான் எந்த தரவுத்தொகுப்புகள் அல்லது அளவுகோல்களைப் பயன்படுத்த வேண்டும்? அடிப்படைக்கு {DFDC} மற்றும் {Celeb-DF} போன்ற மரபு செட்களின் கலவையைப் பயன்படுத்தவும், மேலும் பொதுமைப்படுத்தல் மற்றும் இயங்குதள உறுதியை அழுத்த-சோதனை செய்ய டீப்ஃபேக்-Eval-2024 போன்ற காட்டில் உள்ள அளவுகோல்களைப் பயன்படுத்தவும்.