Ant Group destaca en una conferencia sobre visión artificial con un avance revolucionario en la detección de AIGC

Ant Group ha obtenido recientemente los máximos honores en dos categorías del NTIRE Image Detection Challenge de CVPR 2026: «Pruebas de robustez con muestras en escenarios complejos del mundo real» y «Detección de anomalías en la mejora de rostros». Este logro supone un apoyo fundamental para mejorar la identificación de riesgos en ámbitos como los pagos, la revisión de la seguridad de los contenidos y la autenticación de la identidad financiera en la era de la IA.

Los riesgos asociados a los deepfakes y al uso indebido de la AIGC están aumentando. Estos contenidos sintéticos suelen ser indistinguibles a simple vista, y los modelos de detección existentes sufren importantes pérdidas de precisión cuando se enfrentan a condiciones del mundo real y a la rápida evolución de los grandes modelos multimodales. El desafío CVPR aborda directamente esta cuestión al exigir que los modelos mantengan una alta precisión y robustez en pruebas extremas que implican «arquitecturas de generación desconocidas» e «interferencias de degradación complejas».

Con sus raíces en los sistemas de pago, Ant Group ha desarrollado tecnologías de seguridad de vanguardia a lo largo de dos décadas. Esta experiencia se está ampliando ahora a la seguridad de la IA. El equipo propuso un marco de detección basado en el modelo visual DINOv3, lo que permitió un salto significativo en la capacidad de detección de AIGC, pasando de entornos de laboratorio a aplicaciones del mundo real.

Para la categoría «Pruebas de muestras de robustez», el equipo del Ant AI Security Lab construyó un corpus de entrenamiento complejo que contiene millones de muestras de alta calidad. Este corpus incorporó conjuntos de datos como WildFake, Z-Image, Seedream y Nano-banana-pro, junto con modelos de vanguardia. La arquitectura subyacente emplea una estructura de integración paralela de doble flujo, similar a dotar al modelo de detección de dos «ojos» complementarios para captar tanto los detalles locales como las características globales de la imagen. El equipo simuló una cadena completa de efectos de degradación de la imagen, desde puntos de ruido aislados hasta múltiples distorsiones, replicando fielmente las alteraciones de imágenes del mundo real que se observan en la difusión en redes sociales y la fotografía secundaria. Este enfoque mejoró sustancialmente el rendimiento de detección del modelo en escenarios prácticos.

Además, el equipo introdujo un paradigma de detección en dos etapas denominado «Locate-Then-Examine» (localizar y luego examinar). Este método identifica primero las regiones sospechosas antes de llevar a cabo una revisión detallada. También crearon el conjunto de datos FakeXplained, que proporciona explicaciones textuales localizadas. Al analizar una imagen sospechosa, esta técnica no solo determina si ha sido generada por IA, sino que también señala las áreas que contienen defectos de falsificación o inconsistencias físicas, generando al mismo tiempo una justificación detallada. Este avance va más allá de la detección tradicional de «caja negra», haciendo que las decisiones del modelo sean trazables e interpretables. Para fomentar la colaboración a la hora de abordar los retos de los deepfakes, el equipo ha publicado en código abierto en GitHub uno de los repositorios de recursos de detección de imágenes y vídeos AIGC más completos del campo.

En el concurso «Face Enhancement Anomaly Detection», el equipo de Ant International ganó al localizar con precisión áreas anómalas dentro de imágenes faciales. Esta tecnología se aplica principalmente en escenarios como la verificación de identidad en transacciones financieras y la revisión de documentos para la apertura de cuentas, ofreciendo garantías técnicas cruciales contra los ataques basados en deepfakes y AIGC. En los pagos transfronterizos y los servicios financieros, Ant International ha integrado profundamente la tecnología de identificación AIGC en procesos como el EKYC y la lucha contra la falsificación de documentos, garantizando sólidas capacidades de detección para diversos tipos de contenido generado.

CVPR (Conferencia sobre Visión por Computador y Reconocimiento de Patrones) es una conferencia internacional patrocinada por el IEEE. Junto con ICCV y ECCV, se considera una de las tres conferencias más importantes en el campo de la visión por computador. El desafío de este año atrajo a más de 500 equipos de todo el mundo.