Un marco resistente a la computación cuántica para la detección de deepfakes usando ResNeXt mejorado y defensa con criptografía post-cuántica

Por qué las fotos falsas importan a todo el mundo

Las imágenes y los vídeos que parecen reales pero están fabricados en secreto —a menudo llamados deepfakes— ya no son solo curiosidades de internet. Pueden influir en la opinión pública, desprestigiar reputaciones, confundir a los tribunales y dificultar la confianza en lo que vemos en línea. Este artículo presenta DeepQShield, un nuevo sistema diseñado no solo para detectar dichas imágenes falsas con gran precisión, sino también para proteger sus propios resultados frente a potentes ordenadores futuros que podrían intentar manipularlo o engañarlo.

Distinguir entre caras reales y falsas

En el núcleo de DeepQShield hay una red moderna de reconocimiento de imágenes adaptada a la tarea específica de separar rostros genuinos de los sintéticos. Entrenada con 140.000 imágenes del Deepfake Detection Challenge, divididas a partes iguales entre reales y falsas, el sistema aprende a captar pequeñas pistas visuales que el ojo humano suele pasar por alto. Estas pistas pueden derivar de inconsistencias sutiles en la iluminación, la textura de la piel o el alineamiento de distintas partes del rostro. Mediante una preparación cuidadosa de los datos —redimensionado, normalización de colores, verificación de la integridad de los archivos— y el uso de una columna vertebral eficiente llamada ResNeXt, el sistema construye una idea sólida de cómo “deberían” lucir los rostros auténticos en muchas condiciones.

Entrenar el sistema para resistir las trampas

Muchos detectores de deepfakes existentes funcionan bien hasta que un atacante altera deliberadamente las imágenes de formas diseñadas para confundirlos. DeepQShield afronta esto entrenándose tanto con imágenes normales como con versiones especialmente perturbadas que imitan tales ataques. Estas perturbaciones no son aleatorias; están guiadas por un marco matemático conocido como “learning with errors” (aprendizaje con errores), procedente del campo de la criptografía post-cuántica. En la práctica, esto significa que el sistema se expone repetidamente a imágenes con ruido cuidadosamente estructurado, obligándolo a apoyarse en indicios faciales más profundos y estables en lugar de patrones frágiles que se manipulan fácilmente. Como resultado, se vuelve mucho más difícil para un atacante —incluso uno con conocimiento detallado del modelo— ajustar una imagen lo justo para eludir el detector sin ser detectado.

Bloquear los resultados con seguridad a prueba de futuro

Detectar un fake es solo una parte de la historia, especialmente en salas de justicia, redacciones y sistemas de moderación de contenidos donde el propio veredicto debe ser digno de confianza. DeepQShield envuelve cada resultado de detección en criptografía fuerte y resistente a la computación cuántica. Dos algoritmos líderes, Kyber y Dilithium, se utilizan para intercambiar claves de cifrado y firmar cada predicción de manera que siga siendo segura incluso frente a futuros ordenadores cuánticos. El sistema también puede combinarlos con métodos clásicos como RSA y claves de curva elíptica, creando un escudo híbrido alrededor del resultado. Junto con metadatos de seguridad extensos y una cadena de custodia clara, esto permite a investigadores y terceros verificar que una decisión determinada de “real” o “falso” proviene realmente del modelo original y no ha sido alterada durante el tránsito.

Qué tan bien resiste el escudo

Al probarse con las imágenes del benchmark Deepfake Detection Challenge, DeepQShield alcanzó una precisión del 99,28 por ciento y una puntuación casi perfecta del área bajo la curva de 0,9997, superando a alternativas conocidas como EfficientNet, transformadores de visión y varios modelos basados en ensamblaje y atención. También generalizó bien a diferentes colecciones de deepfakes, incluidas FaceForensics++ y Celeb-DF, donde los datos se capturan en otras condiciones de filmación y estilos de manipulación. Las pruebas de resistencia con métodos estándar de ataques “adversarios” mostraron que, incluso cuando las imágenes se manipulaban deliberadamente para confundirlo, el sistema mantenía un nivel significativo de rendimiento y podía usar puntuaciones de confianza calibradas para marcar casos sospechosos en lugar de ofrecer respuestas equivocadas con exceso de confianza.

Qué significa esto para la confianza en los medios digitales

DeepQShield demuestra que es posible combinar la detección de imágenes falsas de vanguardia con medidas de seguridad diseñadas para un mundo en el que los ordenadores cuánticos sean prácticos. Para el público no especializado, su mensaje principal es simple: podemos construir herramientas que no solo reconozcan rostros falsificados con gran fiabilidad, sino que también prueben, de forma verificable y resistente a manipulaciones, que esos juicios son auténticos. Si se adoptan en entornos como plataformas de redes sociales, organizaciones informativas y peritajes legales, sistemas como DeepQShield podrían ayudar a restaurar parte de la confianza que los deepfakes están minando gradualmente.

Cita: Shreeya, K.N., Subburaj, B., Saketh, K.S.G. et al. A quantum resilient deepfake detection framework using enhanced resnext and post quantum cryptography defence. Sci Rep 16, 10046 (2026). https://doi.org/10.1038/s41598-026-38924-7

Palabras clave: detección de deepfakes, forense de imágenes, ataques adversarios, seguridad post-cuántica, criptografía