Funke
Deepfake DETECTION AND PREVENTION
Sie imitieren Stimmen, verzerren Identitäten, unterwandern unser Vertrauen in digitale Bilder: Deepfakes sind längst mehr als ein Internetphänomen. Sie sind eine systemische Herausforderung für Medien, Politik, Wirtschaft und jede:n einzelne:n von uns. Mit dem SPRIND Funke Deepfake Detection & Prevention
haben wir genau dafür neue, mutige Antworten gesucht.
00:00
Die Herausforderung: die Entwicklung eines umfassenden Prototyps, der reaktive Maßnahmen zur Erkennung und/oder präventive Maßnahmen zum Schutz vor Bild-Deepfakes beinhaltet und in bestehende digitale Infrastrukturen integriert werden kann.
Über 13 Monate hinweg arbeiteten bis zu zwölf Teams an Prototypen, die digitale Echtheit neu definieren. Die Bedingungen waren anspruchsvoll:
Die Teams erhielten eine individuelle Finanzierung von bis zu 725.000 Euro über zwei Stufen, Zugang zu Expertise aus Forschung, Regulierung und Industrie sowie kontinuierliches Sparring durch die SPRIND. Ziel war es, einen funktionalen Prototyp zu entwickeln, der Deepfakes nicht nur erkennt, sondern auch authentifizierbare, vertrauenswürdige Bildinhalte ermöglicht – skalierbar, robust und flexibel einsetzbar.
In dieser Zeit wurde getestet, verworfen, neu gedacht, verfeinert. Deepfake-Techniken veränderten sich, Modelle wurden raffinierter, Ausspielwege diverser.
Ende November 2025 kam die namhafte Jury zum dritten Mal zusammen und wählte aus den sieben verbliebenen Teams der 2. Stufe den Sieger des SPRIND Funken.
Der Ansatz Cinematic Context Aware AI Image Detection (itsreal.media) des Teams rund um Regisseur Christoph Behl überzeugte durch die Kombination aus präziser technischer Analyse und einer ganzheitlichen Betrachtung des Bildes, einschließlich hunderter visueller und struktureller Muster. Ergänzt wurde dies durch den Einsatz leistungsfähiger Deep-Learning-Modelle sowie eines flexiblen, hochgradig adaptiven Meta-Modells, das sich schnell an neue Modelle und Feature-Sets anpassen lässt. Darüber hinaus erzielte das Team die höchsten Erkennungsraten sowohl bei vollständig generierten KI-Bildern als auch bei der korrekten Identifizierung authentischer (real-as-real
) Bilder.
FAU/secunet-solution
Neuraforge
Valid - Trusted Information
DeepShield - The Disruptive Preventer
DeepFOCAS: DeepFake detection using Observable, Contextual, Accessible, and Semantic information
ClyraVision
Sie haben weitere Fragen? Dann können Sie uns gern unter challenge@sprind.org kontaktieren.
Weitere Challenges und Funken
