Inteligência artificial, sem ruído.
Regulamentação e Ética2 min

Ferramentas de troca de rosto deixam rastros da identidade, mostra estudo

Análise de sete ferramentas de troca de rosto mostra que nenhuma apaga a identidade original por completo. Rastros persistem após cinco trocas.

Ferramentas de troca de rosto deixam rastros da identidade, mostra estudo

Por que isso importa agora

Ferramentas de troca de rosto (face swap) são frequentemente apresentadas como uma forma de anonimização — trocar a identidade de alguém por outra para proteger a original. Um novo estudo, publicado como pré-print em 26 de agosto de 2026, analisou sete dessas ferramentas e concluiu que nenhuma apagou por completo a identidade da pessoa cujo rosto foi alterado.

O que os testes encontraram

Os pesquisadores mediram o sinal residual da identidade original usando testes de similaridade em espaço de embeddings. As áreas sob a curva (AUC) variaram de 0,729 (E4S) a 0,993 (DiffSwap) — ou seja, toda ferramenta deixou rastros específicos do alvo que um teste conseguiu distinguir de identidades não relacionadas.

Em um cenário de baixa taxa de falso alarme (no máximo 1% de falsos positivos), um ataque de limiar flagrou corretamente 61% dos alvos do BlendFace, 52% do CanonSwap, 30% do FaceFusion e 12,4% do E4S. Em uma galeria fechada de 948 identidades, o BlendFace colocou o alvo correto em primeiro lugar em 34% das trocas e entre os dez primeiros em 63%.

Trocar o doador não apaga o alvo

O estudo separa duas ideias que costumam se confundir: transferir a identidade do doador e apagar a identidade do alvo. Cinco ferramentas foram dominadas pelo doador em mais de 93% dos pares. Mas sob a definição de anonimização bem-sucedida do estudo, as outras duas foram tratadas como falhas.

Um modelo estocástico afim explicou a queda rápida seguida de uma “cauda” lenta: em uma cadeia de cinco trocas do FaceFusion, a primeira removeu 0,525 da similaridade absoluta, contra 0,044 nas quatro seguintes combinadas — uma assimetria de 12 para 1. Mesmo após a quinta troca, um ataque de membership ainda teve AUC de 0,709.

A lição prática

O estudo é um alerta sobre o cenário testado, não um placar universal. A lição para auditorias de privacidade é clara: qualidade visual ou similaridade com o doador podem esconder sinal residual do alvo. Comparações com não-membros, ataques de baixa taxa de falso positivo e testes em cascata revelam se o sinal restante realmente se aproxima da linha de base.


Descubra mais sobre noticiAI

Assine para receber nossas notícias mais recentes por e-mail.

R
Sobre o autorRedação Noticiai

Equipe editorial dedicada a explicar inteligência artificial com clareza, independência e contexto.