Modelos de Aprendizado Profundo para Detecção de Deepfakes: Uma Análise Comparativa entre Arquiteturas CNN, GAN e Transformers

Abstract

A rápida evolução das tecnologias de manipulação de mídia sintética, conhecidas como deepfakes, representa uma ameaça crescente à confiabilidade da informação e à segurança digital. Esses conteúdos audiovisuais falsificados, produzidos majoritariamente por meio de Redes Adversariais Generativas (GANs), tornam a distinção entre material autêntico e manipulado cada vez mais complexa, exigindo o desenvolvimento de contramedidas sofisticadas baseadas em técnicas de Aprendizado Profundo.

Este artigo propõe uma análise comparativa rigorosa de três arquiteturas fundamentais no campo da Visão Computacional aplicadas à detecção de deepfakes: as Redes Neurais Convolucionais (CNNs), as Redes Adversariais Generativas — consideradas aqui em seu papel como detectores ou integradas a modelos híbridos que exploram suas assinaturas características — e as arquiteturas baseadas em Transformers, com ênfase nos Vision Transformers (ViTs).

A avaliação concentra-se em métricas críticas para aplicações em cenários do mundo real, incluindo a acurácia de classificação, o tempo de processamento (latência de inferência) e, sobretudo, a capacidade de generalização frente a diferentes técnicas de falsificação e a conjuntos de dados não previamente observados (cross-dataset evaluation).

Os resultados da pesquisa bibliográfica e da análise teórica indicam que, embora as CNNs — como a XceptionNet — permaneçam relevantes em função de sua eficiência computacional e habilidade para capturar artefatos locais, as arquiteturas baseadas em Transformers demonstram desempenho superior na modelagem de dependências globais. Essa característica contribui para uma maior robustez e melhor capacidade de generalização diante das metodologias de deepfake em constante evolução.