Newest papers

MIG-COW: Transferable Adversarial Attacks on Deepfake Detectors via Gradient Decomposition

Wonjune Seo, Joonhyuk Baek, Yeseong Jung, Saerom Park · 2026 · arXiv

DOI: 10.48550/arXiv.2610.30914 · open-access PDF

German

Trotz der jüngsten Fortschritte sind Deepfake-Detektoren weiterhin anfällig für Gegnerbeispiele, insbesondere in vielfältigen, realen Einstellungen. Wir schlagen MIG-COW vor, ein neuartiges Gegnerangriffs-Framework, das hochverallgemeinerbare und visuell unmerkliche Gegnerbeispiele erzeugt. Durch die Kombination von momentumintegrierten Gradienten mit einer konsensus-orthogonalen Zersetzung erfasst MIG-COW sowohl geteilte als auch modellspezifische Schwachstellen über heterogene CNN- und ViT-Detektoren hinweg. Auf den AADD-2025 Challenge-Benchmarks erreicht MIG-COW eine 99,96-prozentige White-Box-Angriffserfolgsrate (ASR) mit hoher Wahr

Machine translation (Meta M2M100); the English original follows.

Abstract

Despite recent advances, deepfake detectors remain vulnerable to adversarial examples, particularly in diverse, real-world settings. We propose MIG-COW, a novel adversarial attack framework that generates highly generalizable and visually imperceptible adversarial examples. By combining momentum-integrated gradients with a consensus-orthogonal decomposition, MIG-COW captures both shared and model-specific vulnerabilities across heterogeneous CNN and ViT detectors. On the AADD-2025 Challenge benchmarks, MIG-COW achieves a 99.96% white-box attack success rate (ASR) with high perceptual similarit

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange