論文の概要: One-Shot GAN Generated Fake Face Detection
- arxiv url: http://arxiv.org/abs/2003.12244v1
- Date: Fri, 27 Mar 2020 05:51:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-19 04:53:54.004225
- Title: One-Shot GAN Generated Fake Face Detection
- Title(参考訳): ワンショットgan生成偽顔検出
- Authors: Hadi Mansourifar, Weidong Shi
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 3.3707422585608953
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fake face detection is a significant challenge for intelligent systems as
generative models become more powerful every single day. As the quality of fake
faces increases, the trained models become more and more inefficient to detect
the novel fake faces, since the corresponding training data is considered
outdated. In this case, robust One-Shot learning methods is more compatible
with the requirements of changeable training data. In this paper, we propose a
universal One-Shot GAN generated fake face detection method which can be used
in significantly different areas of anomaly detection. The proposed method is
based on extracting out-of-context objects from faces via scene understanding
models. To do so, we use state of the art scene understanding and object
detection methods as a pre-processing tool to detect the weird objects in the
face. Second, we create a bag of words given all the detected out-of-context
objects per all training data. This way, we transform each image into a sparse
vector where each feature represents the confidence score related to each
detected object in the image. Our experiments show that, we can discriminate
fake faces from real ones in terms of out-of-context features. It means that,
different sets of objects are detected in fake faces comparing to real ones
when we analyze them with scene understanding and object detection models. We
prove that, the proposed method can outperform previous methods based on our
experiments on Style-GAN generated fake faces.
- Abstract(参考訳): フェイク顔検出は、生成モデルが毎日より強力になるにつれて、インテリジェントなシステムにとって重要な課題である。
偽の顔の品質が高まるにつれて、訓練されたモデルは、新たな偽顔を検出するためにますます非効率になり、対応するトレーニングデータが時代遅れとみなされる。
この場合、堅牢なワンショット学習手法は、変更可能なトレーニングデータの要求とより互換性がある。
そこで,本稿では,異常検出のかなり異なる領域で使用できる汎用ワンショットガン生成偽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。
そこで我々は,顔中の奇妙な物体を検出するための前処理ツールとして,アートシーン理解とオブジェクト検出手法の現状を利用する。
次に、すべてのトレーニングデータで検出されたコンテキスト外オブジェクトに対して、単語の袋を作成します。
このようにして、各画像はスパースベクトルに変換され、各特徴は画像内の各検出対象に関する信頼度を表す。
実験の結果,文脈外の特徴から,偽の顔と現実の顔とを識別できることがわかった。
つまり、シーン理解やオブジェクト検出モデルを用いて、実際のものと比較すると、異なるオブジェクトセットが偽の顔で検出されるということです。
提案手法は,スタイルGAN生成した偽顔に対する実験により,従来の手法よりも優れていることを示す。
関連論文リスト
- Self-Supervised Learning for Detecting AI-Generated Faces as Anomalies [58.11545090128854]
本稿では、写真顔画像から純粋にカメラ固有の特徴と顔特有の特徴の自己教師付き学習を活用することで、AI生成顔の異常検出手法について述べる。
提案手法の成功は,特徴抽出器を訓練して4つの通常交換可能な画像ファイルフォーマット(EXIF)をランク付けし,人工的に操作された顔画像の分類を行うプリテキストタスクを設計することにある。
論文 参考訳(メタデータ) (2025-01-04T06:23:24Z) - UniForensics: Face Forgery Detection via General Facial Representation [60.5421627990707]
高レベルの意味的特徴は摂動の影響を受けにくく、フォージェリー固有の人工物に限らないため、より強い一般化がある。
我々は、トランスフォーマーベースのビデオネットワークを活用する新しいディープフェイク検出フレームワークUniForensicsを導入し、顔の豊かな表現のためのメタファンクショナルな顔分類を行う。
論文 参考訳(メタデータ) (2024-07-26T20:51:54Z) - Media Forensics and Deepfake Systematic Survey [0.0]
Deepfakeは、顔の特徴を非常に現実的な方法で生成または変更する、生成的なディープラーニングアルゴリズムである。
映画を良く見せるだけでなく、有名人を模倣して偽情報を広めるのにも使える。
論文 参考訳(メタデータ) (2024-06-19T07:33:33Z) - Semantic Contextualization of Face Forgery: A New Definition, Dataset, and Detection Method [77.65459419417533]
我々は,顔フォージェリを意味的文脈に配置し,意味的顔属性を変更する計算手法が顔フォージェリの源であることを定義した。
階層的なグラフで整理されたラベルの集合に各画像が関連付けられている大規模な顔偽画像データセットを構築した。
本稿では,ラベル関係を捕捉し,その優先課題を優先するセマンティクス指向の顔偽造検出手法を提案する。
論文 参考訳(メタデータ) (2024-05-14T10:24:19Z) - 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) - Robust Face-Swap Detection Based on 3D Facial Shape Information [59.32489266682952]
顔のスワップ画像やビデオは、悪意ある攻撃者を惹きつけ、重要な人物の信用を損ねている。
以前のピクセルレベルのアーティファクトに基づく検出技術は、常に不明瞭なパターンにフォーカスするが、利用可能なセマンティックなヒントは無視する。
キーフィギュアの顔・スワップ検出のための外観・形状特徴をフル活用するための生体情報に基づく手法を提案する。
論文 参考訳(メタデータ) (2021-04-28T09:35:48Z) - Deep Detection for Face Manipulation [10.551455590390418]
顔の操作を検出する深層学習手法を提案する。
特徴抽出と二項分類の2段階からなる。
その結果,ほとんどの場合,最先端技術よりも優れた性能が得られることがわかった。
論文 参考訳(メタデータ) (2020-09-13T06:48:34Z)
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。