673Identifiées −38 doublons 635Uniques −364 exclues 110Retenues au tri 103 à lire 7Lues 7 à décider 0Incluses

Tableau de bord

Détection de vidéos générées par IA (AI-generated video detection)

7à déciderfiches lues en attente de ton choix 0dans ma sélectionarticles inclus dans la revue 103en file de lectureretenus au tri, pas encore lus 0incohérencesà vérifier entre articles

3 articles · 1 projet · 1 idée

Multi-Agent Forensic Reasoning for Generalizable Deepfake Video Detection

Zou et al.arXiv2026

Cet article introduit FaceVid-Forensics-100K, un grand dataset de 100 000 vidéos avec annotations textuelles fines, et propose un cadre de raisonnement multi-agent combinant quatre experts spécialisés et un agent juge pour la détection généralisable de deepfakes. Sur le banc d'essai hors domaine, l'approche atteint 53,28 % de F1 et surpasse les baselines.

4/5 générateurs non vus testés FaceVid-Forensics-100K code

53.28F1 · OOD test set

DeMamba: AI-generated video detection on million-scale GenVideo benchmark

Chen et al.Science China Information Sciences2026 9 citations

Cet article introduit GenVideo, un dataset à grande échelle pour la détection de vidéos générées par IA, et propose DeMamba, un module plug-and-play basé sur Mamba pour modéliser les incohérences spatio-temporelles. Les expériences démontrent des performances de généralisation et de robustesse supérieures face aux baselines existantes.

4/5 générateurs non vus testés GenVideo code chiffres introuvables dans le PDF : 4

Data Diversity, Not Frequency Invariance: A Controlled and Self-Audited Study of Compression-Robust Deepfake Detection

Aliyev et RustamovarXiv2026

Cet article étudie la robustesse des détecteurs de deepfakes face à la compression vidéo à travers le modèle CAFRL combinant des flux fréquentiels et une invariance par adversarialité. Les auteurs démontrent via une étude contrôlée que l'amélioration de la robustesse provient de la diversité des données d'entraînement plutôt que des représentations invariantes en fréquence.

5/5 générateurs non vus testés FaceForensics++FaceShifterCeleb-DF v2 code

0.9224AUC · FaceForensics++ test

abhijithjadhav/Deepfake_detection_using_deep_learning

projet GitHub885 étoilesdernière activité 2024-07-28licence GPL-3.0

Ce dépôt propose une approche de détection de deepfakes vidéo basée sur l'extraction de caractéristiques par un réseau ResNext pré-entraîné, suivies d'une modélisation temporelle par LSTM. Il intègre également une application Django conteneurisée pour l'inférence.

Pour ton PFE. Ce dépôt constitue une baseline et un point de départ pour l'extraction de caractéristiques spatiales couplées à une modélisation temporelle, bien que les détails expérimentaux et les datasets fassent défaut.

Évaluation croisée et amélioration de la robustesse des détecteurs de deepfakes face au transcodage multi-codec (H.265 / AV1) et aux chaînes de plateformes

idée de contribution

L'évaluation de la robustesse au re-encodage se limite uniquement au H.264 à passe unique, sans tester d'autres codecs récents comme le H.265 ou l'AV1, ni les chaînes de transcodage de plateformes (488).

Premier pas. Configurer l'environnement de base avec le dépôt open-source associé et écrire un script FFmpeg pour convertir un sous-ensemble de FaceForensics++ en H.265 et AV1.

4 articles · 1 projet · 1 idée

Mind the Rift: Cross-Scale Coupling Mismatch for AI-Generated Video Detection

Li et al.ACM Multimedia 2026 (MM '26)2026

L'article présente RIFT, une méthode qui détecte les vidéos générées par IA en mesurant le défaut de couplage entre la dynamique sémantique globale (macro) et les résidus de pixels (micro). Elle atteint un F1-score de 99,33 % sur VidProM et de 99,72 % sur GenVidBench.

4/5 générateurs non vus testés VidProMGenVidBench code

99.33F1 · VidProM

TUE-Detector: A Tool-Using Expert MLLM-Based Detector for AI-Generated Videos

Wu et al.arXiv2026

Cet article propose TUE-Detector, un framework d'experts MLLM utilisant des outils pour la découverte de preuves médiatisées par des outils afin de détecter les vidéos générées par IA. Il atteint de superbes performances sur les benchmarks ViF-Bench et GenVideo.

4/5 générateurs non vus testés ViF-BenchGenVideoViF-CoT-4K code

96.90ACC · ViF-Bench

Can We Defend Against AI-Generated Video Attacks on Real-World Crisis Events? A Systematic Evaluation of Detectors, Generators and Social Dissemination

Liang et al.arXiv2026

Cet article introduit RA-Bench, un benchmark de 17 886 vidéos axé sur les crises du monde réel, pour évaluer la détection de vidéos générées par IA. L'évaluation systématique montre qu'aucun détecteur actuel ne généralise de manière fiable à travers les sources, les invites ou les conditions de diffusion sociale.

4/5 générateurs non vus testés RA-Bench code

50.9AUC · RA-Bench

SafeGuard: A Multi-Agent Perception-Reasoning Framework for Social-Risk AI-Generated Video Detection

Wu et al.ECCV 20262026

Cet article propose SafeGuard, un framework multi-agent combinant une perception forensique de bas niveau et un raisonnement sémantique pour détecter les vidéos générées par IA à risque social. Il introduit également SafeVid, un nouveau benchmark de 20K vidéos couvrant 10 catégories de risques sociaux, et surpasse les méthodes existantes sur ce benchmark et quatre jeux de données publics.

4/5 générateurs non vus testés SafeVidGenVideoDVF code

85.5ACC · SafeVid

Daisy-Zhang/Awesome-Deepfakes-Detection

projet GitHub1828 étoilesdernière activité 2025-09-02licence MIT

Ce dépôt GitHub propose une collection organisée de listes d'outils, d'articles et de codes liés à la détection de deepfakes. Il recense de nombreuses ressources bibliographiques et des datasets pour la recherche en vision par ordinateur.

Pour ton PFE. point de départ

Évaluation de la robustesse spatiale et de la généralisation de RIFT face aux perturbations de diffusion sociale

idée de contribution

L'article [13] souffre d'une forte sensibilité au recadrage spatial et d'une évaluation restreinte sur les perturbations, tandis que l'article [24] montre que les conditions de diffusion sociale et de transcodage affaiblissent la fiabilité des détecteurs.

Premier pas. Cloner les dépôts associés, configurer l'environnement d'extraction des flux macro et micro de RIFT [13], et charger un sous-échantillon de RA-Bench [24] pour valider la pipeline d'inférence.