論文の概要: DeeperForensics-1.0: A Large-Scale Dataset for Real-World Face Forgery Detection

• arxiv url: http://arxiv.org/abs/2001.03024v2
• Date: Fri, 11 Dec 2020 11:24:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-13 04:30:10.154170
• Title: DeeperForensics-1.0: A Large-Scale Dataset for Real-World Face Forgery Detection
• Title（参考訳）: deepforensics-1.0:実世界の顔偽造検出のための大規模データセット
• Authors: Liming Jiang, Ren Li, Wayne Wu, Chen Qian, Chen Change Loy
• Abstract要約: DeeperForensics-1.0は、これまでで最大の顔偽造検出データセットであり、合計で1760万フレームの6万本のビデオで構成されている。 生成されたビデオの品質は、既存のデータセットよりも優れており、ユーザ研究によって検証されている。 このベンチマークには隠れたテストセットがあり、人間の評価において高い認識スコアを達成する操作されたビデオを含んでいる。
• 参考スコア（独自算出の注目度）: 93.24684159708114
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present our on-going effort of constructing a large-scale benchmark for face forgery detection. The first version of this benchmark, DeeperForensics-1.0, represents the largest face forgery detection dataset by far, with 60,000 videos constituted by a total of 17.6 million frames, 10 times larger than existing datasets of the same kind. Extensive real-world perturbations are applied to obtain a more challenging benchmark of larger scale and higher diversity. All source videos in DeeperForensics-1.0 are carefully collected, and fake videos are generated by a newly proposed end-to-end face swapping framework. The quality of generated videos outperforms those in existing datasets, validated by user studies. The benchmark features a hidden test set, which contains manipulated videos achieving high deceptive scores in human evaluations. We further contribute a comprehensive study that evaluates five representative detection baselines and make a thorough analysis of different settings.
• Abstract（参考訳）: 顔偽造検出のための大規模なベンチマークを構築するための取り組みについて述べる。 このベンチマークの最初のバージョンであるDeeperForensics-1.0は、これまでで最大の顔偽造検出データセットであり、合計1760万フレームからなる6万のビデオは同じ種類の既存のデータセットの10倍の大きさである。 広汎な現実世界の摂動を適用して、より大きなスケールとより高い多様性のより困難なベンチマークを得る。 DeeperForensics-1.0のすべてのソースビデオは慎重に収集され、新しいエンドツーエンドの顔交換フレームワークによって偽のビデオが生成される。 生成されたビデオの品質は、既存のデータセットよりも優れており、ユーザスタディによって検証される。 このベンチマークには隠れたテストセットがあり、人間の評価において高い認識スコアを達成する操作されたビデオを含んでいる。 さらに、5つの代表検出基準を評価し、異なる設定の詳細な分析を行う包括的研究にも貢献する。

関連論文リスト

• 1M-Deepfakes Detection Challenge [31.994908331728958]
  1M-Deepfakes Detection Challengeは、ディープフェイク操作の検出とローカライズのための高度な手法の開発に研究コミュニティを巻き込むように設計されている。 参加者はAV-Deepfake1Mデータセットにアクセスでき、評価のために推論結果を提出する必要がある。 この課題を通じて開発された方法論は、次世代のディープフェイク検出およびローカライゼーションシステムの開発に寄与する。
  論文  参考訳（メタデータ） (2024-09-11T03:43:53Z)
• Voice-Face Homogeneity Tells Deepfake [56.334968246631725]
  既存の検出アプローチは、ディープフェイクビデオにおける特定のアーティファクトの探索に寄与する。 未探索の音声-顔のマッチングビューからディープフェイク検出を行う。 我々のモデルは、他の最先端の競合と比較して、大幅に性能が向上する。
  論文  参考訳（メタデータ） (2022-03-04T09:08:50Z)
• Finding Facial Forgery Artifacts with Parts-Based Detectors [73.08584805913813]
  顔の個々の部分に焦点を絞った一連の偽造検知システムを設計する。 これらの検出器を用いて、FaceForensics++、Celeb-DF、Facebook Deepfake Detection Challengeデータセットの詳細な実験分析を行う。
  論文  参考訳（メタデータ） (2021-09-21T16:18:45Z)
• OpenForensics: Large-Scale Challenging Dataset For Multi-Face Forgery Detection And Segmentation In-The-Wild [48.67582300190131]
  本稿では,多面フォージェリ検出とセグメント化という2つの新しい対策課題について述べる。 制約のない自然の場面で、複数の人間の顔に偽の顔を置くことは、従来のディープフェイク認識タスクよりもはるかに難しい。 豊富なアノテーションによって、私たちのOpenForensicsデータセットは、ディープフェイク防止と一般的な人間の顔検出の両方の研究に大きな可能性を秘めています。
  論文  参考訳（メタデータ） (2021-07-30T08:15:41Z)
• Face Forensics in the Wild [121.23154918448618]
  我々は、ffiw-10kと呼ばれる新しい大規模データセットを構築し、高品質の偽造ビデオ1万本を含む。 操作手順は完全自動で、ドメイン対逆品質評価ネットワークによって制御されます。 さらに,多人数顔偽造検出の課題に取り組むための新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-30T05:06:19Z)
• DeeperForensics Challenge 2020 on Real-World Face Forgery Detection: Methods and Results [144.5252578415748]
  本稿では,現実世界の顔偽造検出に関するDeeperForensics Challenge 2020の手法と結果について報告する。 この挑戦はdeepforensics-1.0データセットを採用し、6万のビデオを合計1760万フレームで構成する。 115人の参加者が参加し、25のチームが有効な応募を行った。
  論文  参考訳（メタデータ） (2021-02-18T16:48:57Z)

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。