Uma estrutura resiliente a computadores quânticos para detecção de deepfakes usando ResNeXt aprimorado e defesa por criptografia pós-quântica

Por que fotos falsas importam para todos

Imagens e vídeos que parecem reais mas são fabricados em segredo — frequentemente chamados de deepfakes — deixaram de ser apenas curiosidades da internet. Eles podem influenciar a opinião pública, difamar reputações, confundir tribunais e tornar mais difícil confiar no que vemos online. Este artigo apresenta o DeepQShield, um novo sistema projetado não apenas para detectar essas imagens falsas com altíssima precisão, mas também para proteger seus próprios resultados contra computadores futuros poderosos que possam tentar adulterá-los ou enganá-lo.

Ver a diferença entre rostos reais e falsos

No coração do DeepQShield está uma rede moderna de reconhecimento de imagens adaptada à tarefa específica de distinguir rostos genuínos de sintéticos. Treinado com 140.000 imagens do Deepfake Detection Challenge, igualmente divididas entre reais e falsos, o sistema aprende a captar pequenas pistas visuais que o olho humano costuma perder. Essas pistas podem vir de inconsistências sutis na iluminação, textura da pele ou no alinhamento entre diferentes partes do rosto. Ao preparar cuidadosamente os dados — redimensionando, normalizando cores, checando a integridade dos arquivos — e usando uma espinha dorsal eficiente chamada ResNeXt, o sistema constrói uma noção robusta de como rostos autênticos “devem” parecer sob muitas condições.

Treinando o sistema para resistir a truques

Muitos detectores de deepfake existentes funcionam bem até que um atacante modifique deliberadamente imagens de formas projetadas para confundi-los. O DeepQShield resolve isso treinando-se tanto com imagens normais quanto com versões especialmente perturbadas que imitam tais ataques. Essas perturbações não são aleatórias; são guiadas por um arcabouço matemático conhecido como “learning with errors” (aprendizado com erros), oriundo do campo da criptografia pós-quântica. Na prática, isso significa que o sistema é repetidamente exposto a imagens com ruído estruturalmente planejado, forçando-o a depender de pistas faciais mais profundas e estáveis em vez de padrões frágeis que podem ser facilmente manipulados. Como resultado, torna-se muito mais difícil para um atacante — mesmo um com conhecimento detalhado do modelo — ajustar uma imagem o suficiente para passar despercebido pelo detector.

Protegendo resultados com segurança à prova de futuro

Detectar uma falsificação é apenas parte da história, especialmente em tribunais, redações e sistemas de moderação de conteúdo onde o veredicto em si deve ser confiável. O DeepQShield envolve cada resultado de detecção em forte criptografia resistente a ataques quânticos. Dois algoritmos líderes, Kyber e Dilithium, são usados para trocar chaves de criptografia e assinar cada predição de modo a permanecer seguro mesmo diante de computadores quânticos futuros. O sistema também pode combinar esses métodos com técnicas clássicas como RSA e curvas elípticas, criando um escudo híbrido em torno da saída. Junto com metadados de segurança ricos e uma cadeia de custódia clara, isso permite que investigadores e terceiros verifiquem que uma determinada decisão de “real” ou “falso” realmente veio do modelo original e não foi alterada em trânsito.

Quão bem o escudo se mantém

Quando testado com as imagens de referência do Deepfake Detection Challenge, o DeepQShield alcançou uma precisão de 99,28% e uma pontuação quase perfeita de área sob a curva de 0,9997, superando alternativas conhecidas como EfficientNet, transformadores de visão e vários modelos baseados em ensemble e atenção. Também generalizou bem para diferentes coleções de deepfakes, incluindo FaceForensics++ e Celeb-DF, onde os dados são capturados sob outras condições de filmagem e estilos de manipulação. Testes de estresse com métodos padrão de ataque “adversarial” mostraram que, mesmo quando as imagens foram deliberadamente ajustadas para confundi-lo, o sistema manteve um nível significativo de desempenho e pôde usar escores de confiança calibrados para sinalizar casos suspeitos em vez de fornecer respostas excessivamente confiantes e erradas.

O que isso significa para a confiança na mídia digital

O DeepQShield demonstra que é possível combinar detecção de imagens falsas de ponta com medidas de segurança projetadas para um mundo em que computadores quânticos são práticos. Para não especialistas, sua mensagem principal é simples: podemos construir ferramentas que não apenas reconheçam rostos forjados com grande confiabilidade, mas também provem, de forma verificável e resistente à adulteração, que esses julgamentos são genuínos. Se adotados em ambientes como plataformas de mídia social, organizações de notícias e perícia legal, sistemas como o DeepQShield podem ajudar a restaurar parte da confiança que os deepfakes vêm corroendo gradualmente.

Citação: 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

Palavras-chave: detecção de deepfake, forense de imagens, ataques adversariais, segurança pós-quântica, criptografia