Fugu-MT 論文翻訳(概要): The Creation and Detection of Deepfakes: A Survey

論文の概要: The Creation and Detection of Deepfakes: A Survey

arxiv url: http://arxiv.org/abs/2004.11138v3
Date: Sun, 13 Sep 2020 22:44:33 GMT
ステータス: 処理完了
システム内更新日: 2022-12-10 09:28:34.147430
Title: The Creation and Detection of Deepfakes: A Survey
Title（参考訳）: deepfakesの作成と検出:調査
Authors: Yisroel Mirsky, Wenke Lee
Abstract要約: 生成的ディープラーニングアルゴリズムは、何が本物かと何が偽なのかを区別することが難しい点まで進歩している。本稿では、ディープフェイクの作成と検出について検討し、これらのアーキテクチャがどのように機能するかを詳細に把握する。
参考スコア（独自算出の注目度）: 32.04375809239154
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Generative deep learning algorithms have progressed to a point where it is difficult to tell the difference between what is real and what is fake. In 2018, it was discovered how easy it is to use this technology for unethical and malicious applications, such as the spread of misinformation, impersonation of political leaders, and the defamation of innocent individuals. Since then, these `deepfakes' have advanced significantly. In this paper, we explore the creation and detection of deepfakes and provide an in-depth view of how these architectures work. The purpose of this survey is to provide the reader with a deeper understanding of (1) how deepfakes are created and detected, (2) the current trends and advancements in this domain, (3) the shortcomings of the current defense solutions, and (4) the areas which require further research and attention.
Abstract（参考訳）: 生成的ディープラーニングアルゴリズムは、何が本物かと何が偽なのかを区別することが難しい点まで進歩している。 2018年、誤報の拡散、政治指導者の偽装、無実の個人に対する非難など、非倫理的で悪意のある応用にこの技術を使うのがいかに簡単かが判明した。それ以来、これらの「ディープフェイク」は著しく進歩した。本稿では,deepfakesの作成と検出について検討し,これらのアーキテクチャがどのように動作するのかを詳細に見ていく。本調査の目的は,(1)ディープフェイクの発生と検出方法,(2)この領域における現在の動向と進展,(3)現在の防衛ソリューションの欠点,(4)さらなる研究と注意を要する領域について,より深く理解することである。

関連論文リスト

Understanding Audiovisual Deepfake Detection: Techniques, Challenges, Human Factors and Perceptual Insights [49.81915942821647]
ディープラーニングは様々な分野に適用され、ディープフェイク検出への影響は例外ではない。ディープフェイク(英: Deepfakes)は、政治的偽造、フィッシング、スランダリング、偽情報の拡散に偽装的に使用できる、偽物だが現実的な合成コンテンツである。本稿では,ディープフェイク検出戦略の有効性を改善し,サイバーセキュリティとメディアの整合性に関する今後の研究を導くことを目的とする。
論文参考訳（メタデータ） (2024-11-12T09:02:11Z)
Deep Learning Technology for Face Forgery Detection: A Survey [17.519617618071003]
ディープラーニングにより、高忠実度顔画像やビデオの作成や操作が可能になった。この技術はディープフェイクとしても知られ、劇的な進歩を遂げ、ソーシャルメディアで人気を博している。ディープフェイクのリスクを低減するため、強力な偽造検出方法を開発することが望ましい。
論文参考訳（メタデータ） (2024-09-22T01:42:01Z)
Deepfake Media Forensics: State of the Art and Challenges Ahead [51.33414186878676]
AIが生成する合成メディア、別名Deepfakesは、エンターテイメントからサイバーセキュリティまで、多くの領域に影響を与えている。ディープフェイク検出は、微妙な矛盾やアーティファクトを機械学習技術で識別することに焦点を当て、研究の不可欠な領域となっている。本稿では,これらの課題に対処する主要なアルゴリズムについて,その利点,限界,今後の展望について検討する。
論文参考訳（メタデータ） (2024-08-01T08:57:47Z)
DF40: Toward Next-Generation Deepfake Detection [62.073997142001424]
既存の研究は、ある特定のデータセットで検出器をトレーニングし、他の一般的なディープフェイクデータセットでテストすることで、トップノーチ検出アルゴリズムとモデルを識別する。しかし、これらの「勝者」は現実の世界に潜む無数の現実的で多様なディープフェイクに取り組むために真に応用できるのだろうか? 我々は,40の異なるディープフェイク技術からなるDF40という,高度に多様なディープフェイク検出データセットを構築した。
論文参考訳（メタデータ） (2024-06-19T12:35:02Z)
Deepfake Generation and Detection: A Benchmark and Survey [134.19054491600832]
Deepfakeは、特定の条件下で非常にリアルな顔画像やビデオを作成するための技術だ。この調査は、ディープフェイクの発生と検出の最新の展開を包括的にレビューする。本研究では, 顔交換, 顔再現, 話し顔生成, 顔属性編集の4つの代表的なディープフェイク分野の研究に焦点をあてる。
論文参考訳（メタデータ） (2024-03-26T17:12:34Z)
Why Do Facial Deepfake Detectors Fail? [9.60306700003662]
近年のディープフェイク技術の発展により、ビデオ、画像、オーディオなどの非常に現実的な偽メディアの作成が可能になった。これらの資料は、偽造、偽情報、さらには国家安全保障に対する脅威など、人間の認証に重大な課題を提起している。いくつかのディープフェイク検出アルゴリズムが提案されており、ディープフェイク作成者とディープフェイク検出装置との間の武器競争が進行中である。
論文参考訳（メタデータ） (2023-02-25T20:54:02Z)
Deepfake Detection using Biological Features: A Survey [0.0]
本研究は, ディープフェイクの歴史, 発達と検出, 生理的測定に基づく課題について述べる。ディープフェイクは個人を脅迫し、テロ攻撃を計画し、偽情報を広め、個人を非難し、政治的混乱を防いだ。
論文参考訳（メタデータ） (2023-01-14T05:07:46Z)
Using Deep Learning to Detecting Deepfakes [0.0]
ディープフェイク(Deepfakes)とは、ある人物の顔を別のコンピュータが生成した顔に置き換えるビデオまたは画像である。このオンライン脅威に対抗するために、研究者たちはディープフェイクを検出するモデルを開発した。本研究では、ディープラーニングアルゴリズムを用いて、この略奪的な脅威に対処する様々なディープフェイク検出モデルについて検討する。
論文参考訳（メタデータ） (2022-07-27T17:05:16Z)
How Deep Are the Fakes? Focusing on Audio Deepfake: A Survey [0.0]
本稿は、2016年から2020年にかけてのオーディオディープフェイク研究を批判的に分析し、提供する。このサーベイでは、1)異なるディープフェイクカテゴリ、2)どのように作成され、検出されるか、3)この領域における最新のトレンドと検出方法の欠点について、読者に要約する。この結果から,GAN(Generative Adversarial Networks),CNN(Convolutional Neural Networks),DNN(Deep Neural Networks)がディープフェイクの生成と検出の一般的な方法であることが判明した。
論文参考訳（メタデータ） (2021-11-28T18:28:30Z)
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)
WildDeepfake: A Challenging Real-World Dataset for Deepfake Detection [82.42495493102805]
我々は,インターネットから完全に収集された707のディープフェイクビデオから抽出された7,314の顔シーケンスからなる新しいデータセットWildDeepfakeを紹介した。既存のWildDeepfakeデータセットと我々のWildDeepfakeデータセットのベースライン検出ネットワークを体系的に評価し、WildDeepfakeが実際により困難なデータセットであることを示す。
論文参考訳（メタデータ） (2021-01-05T11:10:32Z)

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。