論文の概要: FDFtNet: Facing Off Fake Images using Fake Detection Fine-tuning Network
- arxiv url: http://arxiv.org/abs/2001.01265v2
- Date: Mon, 10 Aug 2020 06:08:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-14 08:02:02.257295
- Title: FDFtNet: Facing Off Fake Images using Fake Detection Fine-tuning Network
- Title（参考訳）: FDFtNet:フェイク検出ファインチューニングネットワークを用いたフェイク画像のオフオフ
- Authors: Hyeonseong Jeon, Youngoh Bang, Simon S. Woo
- Abstract要約: 本稿では,FaketNetと呼ばれる,軽量な微調整ニューラルネットワークアーキテクチャを提案する。
提案手法は,偽画像の検出を効果的に行うための微調整のために,数枚の画像のみを用いて,人気のある事前学習モデルを再利用することを目的としている。
我々の tNet は GANs ベースのデータセットから生成された偽画像の総合的精度 9029% を達成する。
- 参考スコア（独自算出の注目度）: 19.246576904646172
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Creating fake images and videos such as "Deepfake" has become much easier
these days due to the advancement in Generative Adversarial Networks (GANs).
Moreover, recent research such as the few-shot learning can create highly
realistic personalized fake images with only a few images. Therefore, the
threat of Deepfake to be used for a variety of malicious intents such as
propagating fake images and videos becomes prevalent. And detecting these
machine-generated fake images has been quite challenging than ever. In this
work, we propose a light-weight robust fine-tuning neural network-based
classifier architecture called Fake Detection Fine-tuning Network (FDFtNet),
which is capable of detecting many of the new fake face image generation
models, and can be easily combined with existing image classification networks
and finetuned on a few datasets. In contrast to many existing methods, our
approach aims to reuse popular pre-trained models with only a few images for
fine-tuning to effectively detect fake images. The core of our approach is to
introduce an image-based self-attention module called Fine-Tune Transformer
that uses only the attention module and the down-sampling layer. This module is
added to the pre-trained model and fine-tuned on a few data to search for new
sets of feature space to detect fake images. We experiment with our FDFtNet on
the GANsbased dataset (Progressive Growing GAN) and Deepfake-based dataset
(Deepfake and Face2Face) with a small input image resolution of 64x64 that
complicates detection. Our FDFtNet achieves an overall accuracy of 90.29% in
detecting fake images generated from the GANs-based dataset, outperforming the
state-of-the-art.
- Abstract（参考訳）: 近年はgans(generative adversarial networks)の進歩により「deepfake」などの偽画像や動画の作成が容易になっている。
さらに、最近の研究では、ごくわずかな画像で非常にリアルなパーソナライズされた偽画像を作ることができる。
したがって、偽画像やビデオの伝播など、悪意ある意図の多種多様な目的に使用するためのDeepfakeの脅威が広まる。
マシンが生成する偽画像の検出は、これまで以上に困難だった。
本研究では,新しいフェイク顔画像生成モデルの多くを検出することができ,既存の画像分類ネットワークと容易に結合でき,いくつかのデータセット上で微調整できる,軽量でロバストなニューラルネットワークベースの分類器アーキテクチャであるフェイク検出微調整ネットワーク(fdftnet)を提案する。
多くの既存手法とは対照的に,本手法は偽画像を効果的に検出するための微調整のために,数枚の画像のみを用いた一般的な事前学習モデルを再利用することを目的としている。
このアプローチの核心は,アテンションモジュールとダウンサンプリング層のみを使用する,ファイントチューントランスフォーマーと呼ばれるイメージベースのセルフアテンションモジュールの導入である。
このモジュールは事前訓練されたモデルに追加され、いくつかのデータに微調整され、フェイク画像を検出するための新しい特徴空間のセットを検索する。
我々は、GANベースのデータセット(Progressive Growing GAN)とDeepfakeベースのデータセット(DeepfakeとFace2Face)でFDFtNetを64x64の小さな入力画像解像度で実験した。
我々のFDFtNetは、GANsベースのデータセットから生成された偽画像の検出において、90.29%の全体的な精度を達成し、最先端技術を上回っている。
関連論文リスト
- On the Effectiveness of Dataset Alignment for Fake Image Detection [28.68129042301801]
優れた検出器は、セマンティックコンテンツ、解像度、ファイルフォーマットなどの画像特性を無視しながら、生成モデル指紋に焦点を当てるべきである。
この研究では、これらのアルゴリズムの選択に加えて、堅牢な検出器をトレーニングするためには、リアル/フェイク画像の整列したデータセットも必要である、と論じる。
そこで本研究では, LDMの家族に対して, LDMのオートエンコーダを用いて実画像の再構成を行う手法を提案する。
論文 参考訳（メタデータ） (2024-10-15T17:58:07Z) - AntifakePrompt: Prompt-Tuned Vision-Language Models are Fake Image Detectors [24.78672820633581]
深層生成モデルは、偽情報や著作権侵害に対する懸念を高めながら、驚くほど偽のイメージを作成することができる。
実画像と偽画像とを区別するためにディープフェイク検出技術が開発された。
本稿では,視覚言語モデルとアクシデントチューニング技術を用いて,Antifake Promptと呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2023-10-26T14:23:45Z) - Parents and Children: Distinguishing Multimodal DeepFakes from Natural Images [60.34381768479834]
近年の拡散モデルの発展により、自然言語のテキストプロンプトから現実的なディープフェイクの生成が可能になった。
我々は、最先端拡散モデルにより生成されたディープフェイク検出に関する体系的研究を開拓した。
論文 参考訳（メタデータ） (2023-04-02T10:25:09Z) - Towards Universal Fake Image Detectors that Generalize Across Generative Models [36.18427140427858]
実Vsフェイク分類のためのディープネットワークを訓練する既存のパラダイムは、新しい世代生成モデルから偽画像を検出するのに失敗していることを示す。
実写画像と実写画像の区別を明示的に訓練されていない特徴空間を用いて,学習せずに実写映像の分類を行うことを提案する。
論文 参考訳（メタデータ） (2023-02-20T18:59:04Z) - Deep Convolutional Pooling Transformer for Deepfake Detection [54.10864860009834]
本研究では,局所的・グローバル的に決定的な画像特徴を取り入れた深部畳み込み変換器を提案する。
具体的には,抽出した特徴を充実させ,有効性を高めるために,畳み込みプーリングと再アテンションを適用した。
提案手法は、内部実験と相互データセット実験の両方において、最先端のベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2022-09-12T15:05:41Z) - Deepfake Network Architecture Attribution [23.375381198124014]
既存のフェイク画像属性の研究は、GAN(Generative Adversarial Network)モデルでマルチクラス分類を行っている。
textitDeepfake Network Architecture Attribution に関する最初の研究を行い,アーキテクチャレベルでの偽画像の属性について述べる。
論文 参考訳（メタデータ） (2022-02-28T14:54:30Z) - DA-FDFtNet: Dual Attention Fake Detection Fine-tuning Network to Detect
Various AI-Generated Fake Images [21.030153777110026]
ディープフェイク」のような偽画像の作成がずっと簡単になった。
近年の研究では、少量のトレーニングデータを用いて、フェイク画像や動画をより効果的に生成する、いくつかのショットラーニングが導入されている。
本研究では,操作した偽顔画像を検出するために,DA-tNet(Dual Attention Fine-tuning Network)を提案する。
論文 参考訳（メタデータ） (2021-12-22T16:25:24Z) - Beyond the Spectrum: Detecting Deepfakes via Re-Synthesis [69.09526348527203]
ディープフェイク(Deepfakes)として知られる非常に現実的なメディアは、現実の目から人間の目まで区別できない。
本研究では,テスト画像を再合成し,検出のための視覚的手がかりを抽出する,新しい偽検出手法を提案する。
種々の検出シナリオにおいて,提案手法の摂動に対する有効性の向上,GANの一般化,堅牢性を示す。
論文 参考訳（メタデータ） (2021-05-29T21:22:24Z) - M2TR: Multi-modal Multi-scale Transformers for Deepfake Detection [74.19291916812921]
Deepfake技術によって生成された鍛造画像は、デジタル情報の信頼性に深刻な脅威をもたらします。
本稿では,Deepfake検出のための微妙な操作アーチファクトを異なるスケールで捉えることを目的とする。
最先端の顔スワッピングと顔の再現方法によって生成された4000のDeepFakeビデオで構成される高品質のDeepFakeデータセットSR-DFを紹介します。
論文 参考訳（メタデータ） (2021-04-20T05:43:44Z) - Multi-attentional Deepfake Detection [79.80308897734491]
ディープフェイクによる顔の偽造はインターネットに広まり、深刻な社会的懸念を引き起こしている。
新たなマルチアテンテーショナルディープフェイク検出ネットワークを提案する。
具体的には,1)ネットワークを異なる局所的部分へ配置するための複数の空間的注意ヘッド,2)浅い特徴の微妙なアーティファクトをズームするテクスチャ的特徴拡張ブロック,3)低レベルなテクスチャ特徴と高レベルなセマンティクス特徴をアグリゲートする,の3つの構成要素からなる。
論文 参考訳（メタデータ） (2021-03-03T13:56:14Z) - What makes fake images detectable? Understanding properties that
generalize [55.4211069143719]
深層ネットワークは、博士画像の微妙なアーティファクトを拾い上げることができる。
我々は、偽画像のどの特性が検出可能かを理解することを模索する。
検出可能な特性を誇張する手法を示す。
論文 参考訳（メタデータ） (2020-08-24T17:50:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。