論文の概要: DeepFakes Evolution: Analysis of Facial Regions and Fake Detection Performance

• arxiv url: http://arxiv.org/abs/2004.07532v2
• Date: Thu, 2 Jul 2020 16:24:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 22:03:58.210332
• Title: DeepFakes Evolution: Analysis of Facial Regions and Fake Detection Performance
• Title（参考訳）: DeepFakes進化: 顔面領域の解析とフェイク検出性能
• Authors: Ruben Tolosana, Sergio Romero-Tapiador, Julian Fierrez and Ruben Vera-Rodriguez
• Abstract要約: 本研究では,第1世代および第2世代DeepFakeの顔領域と偽検出性能を総合的に分析した。 我々は,第2世代の最新のDeepFakeデータベースにおいて,最先端のフェイクディテクターが達成した偽検出結果の貧弱さを強調した。
• 参考スコア（独自算出の注目度）: 3.441021278275805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Media forensics has attracted a lot of attention in the last years in part due to the increasing concerns around DeepFakes. Since the initial DeepFake databases from the 1st generation such as UADFV and FaceForensics++ up to the latest databases of the 2nd generation such as Celeb-DF and DFDC, many visual improvements have been carried out, making fake videos almost indistinguishable to the human eye. This study provides an exhaustive analysis of both 1st and 2nd DeepFake generations in terms of facial regions and fake detection performance. Two different methods are considered in our experimental framework: i) the traditional one followed in the literature and based on selecting the entire face as input to the fake detection system, and ii) a novel approach based on the selection of specific facial regions as input to the fake detection system. Among all the findings resulting from our experiments, we highlight the poor fake detection results achieved even by the strongest state-of-the-art fake detectors in the latest DeepFake databases of the 2nd generation, with Equal Error Rate results ranging from 15% to 30%. These results remark the necessity of further research to develop more sophisticated fake detectors.
• Abstract（参考訳）: メディアの法医学は、DeepFakesに関する懸念が高まり、ここ数年で多くの注目を集めている。 UADFVやFaceForensics++といった第1世代のDeepFakeデータベースから、Celeb-DFやDFDCといった第2世代の最新のデータベースに至るまで、多くの視覚的改善が行われており、フェイクビデオはほぼ人間の目で区別できない。 本研究では,第1世代および第2世代DeepFakeの顔領域と偽検出性能を総合的に分析した。 実験フレームワークでは2つの異なる方法が検討されている。 一 伝統的に、文献に従つて、偽検出システムへの入力として顔全体を選択すること、及び 二 偽検出システムへの入力としての特定の顔領域の選択に基づく新しいアプローチ 実験の結果,第2世代の最新のDeepFakeデータベースにおいて,最先端のフェイク検出によって達成された偽検出結果が,15%から30%の誤差率で検出された。 これらの結果は、より洗練された偽検出器を開発するためのさらなる研究の必要性を述べている。

関連論文リスト

• 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)
• Diffusion Facial Forgery Detection [56.69763252655695]
  本稿では,顔に焦点をあてた拡散生成画像を対象とした包括的データセットであるDiFFを紹介する。 人体実験といくつかの代表的な偽造検出手法を用いて,DiFFデータセットの広範な実験を行った。 その結果、人間の観察者と自動検出者の2値検出精度は30%以下であることが判明した。
  論文  参考訳（メタデータ） (2024-01-29T03:20:19Z)
• 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)
• GazeForensics: DeepFake Detection via Gaze-guided Spatial Inconsistency Learning [63.547321642941974]
  本稿では,3次元視線推定モデルから得られた視線表現を利用する,革新的なDeepFake検出手法であるGazeForensicsを紹介する。 実験の結果,提案したGazeForensicsは現在の最先端手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-13T04:48:33Z)
• Are Face Detection Models Biased? [69.68854430664399]
  顔領域の局所化による顔検出領域のバイアスについて検討した。 既存の顔検出データセットの多くは、このような分析に適したアノテーションを欠いている。 性別や肌の音色による検出精度の相違を観察し, 画像診断以外の要因の相互関係を考察した。
  論文  参考訳（メタデータ） (2022-11-07T14:27:55Z)
• 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)
• An Experimental Evaluation on Deepfake Detection using Deep Face Recognition [0.0]
  ディープラーニングは、ディープフェイク(deepfakes)として知られる非常に現実的なフェイクコンテンツを生み出した。 現在のディープフェイク検出法のほとんどは、2クラス畳み込みニューラルネットワーク(CNN)を用いた偽のイメージやビデオとを区別する二項分類問題と見なされている。 本稿では,異なる損失関数とディープフェイク生成技術を用いて,ディープフェイク識別におけるディープフェイク認識の有効性を徹底的に評価する。
  論文  参考訳（メタデータ） (2021-10-04T18:02:56Z)
• DeepFake Detection with Inconsistent Head Poses: Reproducibility and Analysis [0.0]
  本稿では,ヘッドポーズ推定に基づく既存のDeepFake検出手法について分析する。 以上の結果から,DeepFake検出のためのアートパフォーマンスに対する現在の文献の認識を正すことができた。
  論文  参考訳（メタデータ） (2021-08-28T22:56:09Z)
• Where Do Deep Fakes Look? Synthetic Face Detection via Gaze Tracking [8.473714899301601]
  ディープフェイクと異なる目と視線の特徴をいくつか提案する。 次に、これらの機能をシグネチャにコンパイルし、リアルビデオとフェイクビデオの機能を分析および比較します。 第3に,この公式をディープニューラルネットワークによるディープフェイク検出問題に一般化する。
  論文  参考訳（メタデータ） (2021-01-04T18:54:46Z)
• DeepFakesON-Phys: DeepFakes Detection based on Heart Rate Estimation [25.413558889761127]
  本研究は生理的測定に基づく新しいDeepFake検出フレームワークを導入する。 特に,ヒト皮膚の微妙な色変化を探り,血液中のヒト組織の存在を明らかにする方法を検討する。 DeepFakesONPhysという偽の検出器は、ビデオフレームから空間情報と時間情報を抽出するCAN(Convolutional Attention Network)を使用している。
  論文  参考訳（メタデータ） (2020-10-01T13:37:58Z)

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。