Deepfake Image Recognition Using a Computationally Simple Deep Learning Approach. An Exploratory Analysis

Abstract

The rapid development of Artificial Intelligence (AI) has enabled the creation of highly realistic Deepfake images, raising concerns about misinformation and digital content integrity. Existing detection methods rely on statistical analysis, blockchain, or traditional machine learning, but often lack robustness. This study proposes a computationally simple Convolutional Neural Network (CNN) approach to detect Deepfake images with improved accuracy; this model will be referred during the paper as Deep Fake CNN (DFCNN). Experimental results demonstrate the model’s effectiveness, contributing to reliable digital media authentication and the mitigation of manipulated content dissemination. El rápido desarrollo de la Inteligencia Artificial (IA) ha permitido la creación de imágenes Deepfake altamente realistas, lo que ha generado preocupaciones sobre la desinformación y la integridad del contenido digital. Los métodos de detección existentes se basan en análisis estadístico, blockchain o técnicas tradicionales de aprendizaje automático; sin embargo, con frecuencia carecen de robustez. Este artículo propone un enfoque basado en una Red Neuronal Convolucional (CNN) computacionalmente simple para la detección de imágenes Deepfake con una precisión mejorada; a este modelo se le hará referencia a lo largo del documento como Deep Fake CNN (DFCNN). Los resultados experimentales demuestran la efectividad del modelo, contribuyendo a una autenticación más confiable de los medios digitales y a la mitigación de la difusión de contenido manipulado.