Detectability of Deepfake Videos
| Thesis title: | Rozpoznatelnost deepfake videí |
|---|---|
| Author: | Stanzin, Odzer |
| Thesis type: | Bakalářská práce |
| Supervisor: | Vondra, Zdeněk |
| Opponents: | Svoboda, Jaroslav |
| Thesis language: | Česky |
| Abstract: | Rozvoj generativní umělé inteligence přinesl nejen nové možnosti v oblasti syntézy audiovizuálního obsahu, ale také zvýšená rizika spojená s manipulací digitální reality. Tato bakalářská práce se zaměřuje na detekci deepfake videí, tedy realistických audiovizuálních záznamů vytvořených pomocí umělé inteligence za účelem napodobení skutečných osob nebo událostí. Cílem práce je porovnat efektivitu dvou modelů hlubokého učení – MesoNet a XceptionNet – při detekci deepfake obsahu, s důrazem na hodnocení přesnosti, citlivosti a robustnosti vůči kompresi videí. Výsledky experimentů naznačují, že model XceptionNet vykazuje vyšší citlivost při detekci manipulovaného obsahu, zatímco model MesoNet dosahuje stabilnější přesnosti při rozpoznávání pravých videí. Práce přináší přehled aktuálních přístupů k detekci deepfake videí, identifikuje klíčové výzvy a navrhuje možnosti dalšího rozvoje detekčních metod. |
| Keywords: | deepfake; MesoNet; XceptionNet; umělá inteligence; hluboké učení |
| Thesis title: | Detectability of Deepfake Videos |
|---|---|
| Author: | Stanzin, Odzer |
| Thesis type: | Bachelor thesis |
| Supervisor: | Vondra, Zdeněk |
| Opponents: | Svoboda, Jaroslav |
| Thesis language: | Česky |
| Abstract: | The development of generative artificial intelligence has brought not only new possibilities in audiovisual content synthesis but also increased risks associated with the manipulation of digital reality. This bachelor's thesis focuses on the detection of deepfake videos, highly realistic audiovisual recordings generated using artificial intelligence to mimic real people or events. The primary goal is to compare the effectiveness of two deep learning models – MesoNet and XceptionNet – in detecting deepfake content, emphasizing the evaluation of accuracy, sensitivity, and robustness against video compression. The experimental results indicate that the XceptionNet model shows higher sensitivity in detecting manipulated content, while the MesoNet model achieves more stable accuracy when recognizing real videos. This thesis provides an overview of current approaches to deepfake detection, identifies key challenges, and suggests potential directions for further development of detection methods. |
| Keywords: | XceptionNet; deepfake; artificial intelligence; deep learning; MesoNet |
Information about study
| Study programme: | Informační média a služby |
|---|---|
| Type of study programme: | Bakalářský studijní program |
| Assigned degree: | Bc. |
| Institutions assigning academic degree: | Vysoká škola ekonomická v Praze |
| Faculty: | Faculty of Informatics and Statistics |
| Department: | Department of Multimedia |
Information on submission and defense
| Date of assignment: | 17. 4. 2025 |
|---|---|
| Date of submission: | 12. 5. 2025 |
| Date of defense: | 20. 6. 2025 |
| Identifier in the InSIS system: | https://insis.vse.cz/zp/92171/podrobnosti |