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

French

Malgré les progrès récents, les détecteurs profonds restent vulnérables aux exemples adversaires, en particulier dans des contextes diversifiés et réels. Nous proposons MIG-COW, un nouveau cadre d’attaque adversaire qui génère des exemples adversaires hautement généralisables et visuellement imperceptibles. En combinant des gradients intégrés à l’élan avec une décomposition orthodoxe du consensus, MIG-COW capture à la fois des vulnérabilités partagées et spécifiques aux modèles sur les détecteurs hétérogènes CNN et ViT. Sur les critères de référence du défi AADD-2025, MIG-COW atteint un taux de réussite d’attaque de boîte blanche (ASR) de 99,96 % avec une simil

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