Πόση σιγουριά μπορεί να εμπνέει πλέον ένα πολυμεσικό κείμενο που αναρτάται στο Διαδίκτυο; Παλιότερα, όταν υπήρχε ένα κείμενο προς ανάγνωση, συνήθως συνοδευόταν και από μερικές εικόνες ή και video που έδιναν έμφαση και πιστοποιούσαν την αξιοπιστία του. Τί γίνεται όμως σήμερα, που η τεχνολογία επιτρέπει τη δημιουργία πλαστών εικόνων, υψηλής πιστότητας και αληθοφάνειας; Το θέμα με τα deepfakes απασχολεί τον επιστημονικό κόσμο και θα συνεχίσει να τον απασχολήσει για μεγάλο διάστημα στο μέλλον. Οι νέες τεχνολογίες των Γενετικών Αντιπαραθετικών Δικτύων, στα οποία δύο νευρωνικά δίκτυα βελτιώνονται συνεχώς καθώς το ένα προσπαθεί να υπερνικήσει το άλλο, και των Μεταβλητών Αυτοκωδικοποιητών, που χρησιμοποιούνται κατά κύριο λόγο για συμπίεση δεδομένων αλλά έχουν και αξιοσημείωτες παραγωγικές δυνατότητες κάνουν τη διάδοση deepfake περιεχομένου μέσω κοινωνικών δικτύων πιο εύκολη. Παράλληλα, όμως, δίνουν και τη δυνατότητα σε ερευνητές να προτείνουν μεθόδους αξιοποίησής τους για την ανίχνευση αυτών των αρχείων.

Η παρούσα εργασία εξετάσει τόσο μεθόδους παραγωγής deepfakes με τις προαναφερθείσες τεχνολογίες, όσο και μεθόδους ανίχνευσής τους. Περιλαμβάνεται και μία υλοποιημένη εφαρμογή που δημιουργεί deepfakes, ώστε να διαπιστώσει ο αναγνώστης πόσο λίγο απέχει σήμερα το πραγματικό από το ψεύτικο.

How much confidence can multimedia content posted on the Internet inspire nowadays? In the past, when there was text to be read, it was usually accompanied by some images or even videos that certified its credibility. But what happens nowadays, when technology allows the creation of fake images with high fidelity? The issue of deepfakes concerns the scientific community today and will continue to concern it for a long time in the future.

The new technologies of Generative Adversarial Networks, in which two neural networks continuously improve as one tries to outperform the other, and Variational Autoencoders, which are primarily used for data compression but also have remarkable generative capabilities, make the spread of deepfake content through social networks easier. At the same time, however, they also provide researchers with the tools to propose methods for detecting these files.

The present work examines both methods for generating deepfakes using the aforementioned technologies, as well as methods for detecting them. It also includes an implemented application that creates deepfakes, so that the reader can realize how obscure the line between the real and the fake is.