Les cares generades o manipulades amb IA són cada vegada més difícils de distingir a ull nu, i s'utilitzen en estafes, suplantacions i campanyes de desinformació. Els detectors automàtics existeixen, però tenen un punt feble conegut: funcionen bé amb el tipus d'imatges amb què s'han entrenat i molt pitjor amb les que arriben de fonts noves.
Investigadors de la Universitat de Keele, al Regne Unit —Saman Maghsoudi, Sangeeta Sangeeta i Nadia Kanwal—, han publicat a la revista Frontiers in Imaging un sistema anomenat FDIP-NET. A més de les característiques de color que fan servir els detectors habituals, el model calcula tres mesures de com canvia la brillantor d'un punt a l'altre de la imatge, inspirades en conceptes de la dinàmica de fluids, tot i que no simulen cap fluid real. També ajusta el grau de confiança de cada predicció i analitza com afecten els errors el desenfocament, la lluminositat i el contrast.
En tres col·leccions públiques de cares, entrenant i provant el model dins de cadascuna, l'encert mitjà va ser del 98,7%, del 99,0% i del 99,7%. Amb el banc de proves FaceForensics++, un dels més utilitzats, l'encert va baixar al 91% analitzant els fotogrames de vídeo un per un. La idea de fons és que les imatges fabricades deixen petites irregularitats en la manera com es reparteix la llum, i que aquestes pistes poden ser més difícils d'esborrar que les de color.
Els mateixos autors avisen que detectar falsificacions de manera fiable en col·leccions que el model no coneix «continua sent un repte» per a recerca futura, i la diferència entre el 99% i el 91% ho il·lustra. Les xifres més altes s'han obtingut dins de cada col·lecció de dades i no garanteixen el mateix resultat amb els generadors d'imatges que surtin d'aquí a uns mesos. L'article té el DOI 10.3389/fimag.2026.1935077.