論文の概要: Global Texture Enhancement for Fake Face Detection in the Wild

• arxiv url: http://arxiv.org/abs/2002.00133v3
• Date: Thu, 19 Mar 2020 00:54:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 00:54:24.579324
• Title: Global Texture Enhancement for Fake Face Detection in the Wild
• Title（参考訳）: 野生における偽顔検出のためのグローバルテクスチャ強調
• Authors: Zhengzhe Liu, Xiaojuan Qi, Philip Torr
• Abstract要約: 本稿では,グローバルな画像テクスチャ表現を利用して,ロバストな偽画像検出を行うGram-Netという新しいアーキテクチャを提案する。 いくつかのデータセットの実験結果から、Gram-Netは既存のアプローチよりも優れています。
• 参考スコア（独自算出の注目度）: 43.556943969290636
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative Adversarial Networks (GANs) can generate realistic fake face images that can easily fool human beings.On the contrary, a common Convolutional Neural Network(CNN) discriminator can achieve more than 99.9% accuracyin discerning fake/real images. In this paper, we conduct an empirical study on fake/real faces, and have two important observations: firstly, the texture of fake faces is substantially different from real ones; secondly, global texture statistics are more robust to image editing and transferable to fake faces from different GANs and datasets. Motivated by the above observations, we propose a new architecture coined as Gram-Net, which leverages global image texture representations for robust fake image detection. Experimental results on several datasets demonstrate that our Gram-Net outperforms existing approaches. Especially, our Gram-Netis more robust to image editings, e.g. down-sampling, JPEG compression, blur, and noise. More importantly, our Gram-Net generalizes significantly better in detecting fake faces from GAN models not seen in the training phase and can perform decently in detecting fake natural images.
• Abstract（参考訳）: GAN(Generative Adversarial Networks)は、人間を騙し易い現実的な偽の顔画像を生成することができるが、逆に、一般的な畳み込みニューラルネットワーク(CNN)判別器は、偽/実画像の識別において99.9%以上の精度を達成できる。 本稿では,偽の顔と実の顔のテクスチャが実際の顔と大きく異なること,第2に,グローバルなテクスチャ統計は画像編集や,異なるGANやデータセットからの偽の顔への転送に頑健である,という2つの重要な観察結果を得た。 上記の観察結果に動機づけられ,グローバルイメージテクスチャ表現をロバストな偽画像検出に活用したgram-netという新しいアーキテクチャを提案する。 いくつかのデータセットにおける実験結果は、gram-netが既存のアプローチを上回っていることを示している。 特にggram-netは、ダウンサンプリング、jpeg圧縮、ぼかし、ノイズなど、画像編集に対してより堅牢です。 さらに重要なことは、Gram-NetはトレーニングフェーズにないGANモデルから偽の顔を検出し、偽の自然画像を検出するのに十分な性能を発揮することです。

関連論文リスト

• GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross Appearance-Edge Learning [50.7702397913573]
  フォトリアリスティック・ジェネレータの急速な進歩は、真の画像と操作された画像の相違がますます不明瞭になっている臨界点に達している。 公開されている顔の偽造データセットはいくつかあるが、偽造顔は主にGANベースの合成技術を用いて生成される。 我々は,大規模で多様できめ細かな高忠実度データセットであるGenFaceを提案し,ディープフェイク検出の進展を促進する。
  論文  参考訳（メタデータ） (2024-02-03T03:13:50Z)
• DeepFidelity: Perceptual Forgery Fidelity Assessment for Deepfake Detection [67.3143177137102]
  ディープフェイク検出(Deepfake detection)とは、画像やビデオにおいて、人工的に生成された顔や編集された顔を検出すること。 本稿では,実顔と偽顔とを適応的に識別するDeepFidelityという新しいDeepfake検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-07T07:19:45Z)
• Deepfake Detection of Occluded Images Using a Patch-based Approach [1.6114012813668928]
  本研究では, 顔全体と顔のパッチを用いて, 障害物の有無で実像と偽像を識別する深層学習手法を提案する。 偽画像を作成するには、FFHQイメージでStyleGANとStyleGAN2を、CelebAイメージでStarGANとPGGANをトレーニングする。 提案手法は他の手法よりも早期に高い結果に到達し、異なる構築されたデータセットにおいてSoTAの結果を0.4%-7.9%向上させる。
  論文  参考訳（メタデータ） (2023-04-10T12:12:14Z)
• Real Face Foundation Representation Learning for Generalized Deepfake Detection [74.4691295738097]
  ディープフェイク技術の出現は、個人のプライバシーと公共の安全に脅威をもたらすため、社会的な問題となっている。 十分な偽の顔を集めることはほぼ不可能であり、既存の検出器があらゆる種類の操作に一般化することは困難である。 本稿では,大規模な実顔データセットから一般表現を学習することを目的としたリアルフェイスファウンデーション表現学習(RFFR)を提案する。
  論文  参考訳（メタデータ） (2023-03-15T08:27:56Z)
• 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)
• 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)
• One-Shot GAN Generated Fake Face Detection [3.3707422585608953]
  本稿では,汎用的なワンショットGAN生成顔検出手法を提案する。 提案手法は,シーン理解モデルを用いて顔から文脈外オブジェクトを抽出する。 実験の結果,文脈外の特徴の観点から,偽の顔と現実の顔とを識別できることが判明した。
  論文  参考訳（メタデータ） (2020-03-27T05:51:14Z)
• Learning Inverse Rendering of Faces from Real-world Videos [52.313931830408386]
  既存の方法は、顔画像を3つの構成要素(アルベド、ノーマル、照明)に分解する。 本稿では,アルベドと正常の整合性の仮定に基づいて,我々のモデルを実顔ビデオでトレーニングするための弱い教師付きトレーニング手法を提案する。 私たちのネットワークは、実データと合成データの両方で訓練されています。
  論文  参考訳（メタデータ） (2020-03-26T17:26:40Z)
• FakeLocator: Robust Localization of GAN-Based Face Manipulations [19.233930372590226]
  本稿では,FakeLocatorと呼ばれる新しいアプローチを提案する。 これは、GANベースのフェイクローカライゼーション問題をグレースケールのフェイクネスマップで解決する最初の試みである。 人気の高いFaceForensics++,DFFDデータセット,および7種類の最先端のGANベースの顔生成手法による実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-01-27T06:15:01Z)
• FDFtNet: Facing Off Fake Images using Fake Detection Fine-tuning Network [19.246576904646172]
  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。
  論文  参考訳（メタデータ） (2020-01-05T16:04:17Z)

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。