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

Vietnamese

Mặc dù có những tiến bộ gần đây, các máy dò sâu vẫn dễ bị tổn thương bởi các ví dụ đối địch, đặc biệt là trong các môi trường thực tế đa dạng. Chúng tôi đề xuất MIG-COW, một khuôn khổ tấn công đối địch mới tạo ra các ví dụ đối địch có thể được tổng quát hóa cao và không thể nhận thấy trực quan. Bằng cách kết hợp các cấp độ tích hợp động lực với sự phân hủy theo chiều ngang đồng thuận, MIG-COW nắm bắt cả các lỗ hổng được chia sẻ và mô hình cụ thể trên các máy dò CNN và ViT không đồng nhất. Trên tiêu chuẩn AADD-2025 Challenge, MIG-COW đạt tỷ lệ thành công của các cuộc tấn công hộp trắng (ASR) 99,96% với độ tương đồng nhận thức cao

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