Identificação de artefatos visuais em faces sintéticas por meio de transfer learning e IA explicável: uma abordagem investigativa com ResNet50 e Grad-CAM

O desenvolvimento acelerado das tecnologias de Inteligência Artificial generativa levou à criação de conteúdos sintéticos hiper-realistas amplamente acessíveis, consolidando os deepfakes como uma ameaça concreta à integridade da informação, à privacidade e à segurança cibernética. Este trabalho investiga o uso de Visão Computacional e Inteligência Artificial Explicável (XAI) para identificar características visuais e artefatos estruturais associados a imagens faciais geradas por IA. Para isso, foi estruturado um pipeline metodológico composto por três macroetapas: a curadoria de um conjunto de dados balanceado contendo 10.000 imagens faciais reais e sintéticas, gerenciado pela plataforma Roboflow; o treinamento de um classificador binário baseado na arquitetura ResNet50 utilizando a técnica de Aprendizado por Transferência (Transfer Learning), executado na plataforma Kaggle com suporte de GPU NVIDIA Tesla T4; e a aplicação do algoritmo Grad-CAM (Gradient-weighted Class Activation Mapping) para gerar mapas de calor que evidenciam as regiões determinantes para as decisões do modelo. Como estudo exploratório preliminar, foi conduzido um experimento com a arquitetura YOLOv8, que revelou alto custo computacional e ausência de mecanismos nativos de interpretabilidade espacial, motivando a adoção da ResNet50 como principal ferramenta metodológica. O classificador final alcançou uma acurácia de 92,30%, um F1-Score de 92,29% e uma AUC-ROC de 0,9758, sem viés significativo entre as classes. Os mapas de calor gerados pelo Grad-CAM revelaram que o modelo direcionou sua atenção, de forma anatomicamente coerente, para a região central da face especificamente os olhos, o nariz e a boca nas imagens sintéticas, regiões consistentes com os artefatos de fusão facial descritos na literatura forense. Os resultados demonstram que a combinação entre Visão Computacional e XAI oferece não apenas elevada capacidade discriminativa, mas também a transparência e a auditabilidade indispensáveis para aplicações de perícia digital, superando as limitações operacionais de modelos puramente classificatórios.