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

Russian

Несмотря на недавние достижения, детекторы глубокого фальсификата остаются уязвимыми для противоборствующих примеров, особенно в разнообразных, реальных условиях. Мы предлагаем MIG-COW, новую структуру противоборствующих атак, которая генерирует высокообобщаемые и визуально незаметные примеры противоборства. Сочетая градиенты, интегрированные в импульс, с консенсусом-ортогональным разложением, MIG-COW улавливает как общие, так и специфические для модели уязвимости на гетерогенных детекторах CNN и ViT. На этапах AADD-2025 Challenge MIG-COW достигает 99,96% успеваемости атаки белых ящиков (ASR) с высоким восприятием сходства

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