Fugu-MT 論文翻訳(概要): Deep Face Forgery Detection

論文の概要: Deep Face Forgery Detection

arxiv url: http://arxiv.org/abs/2004.11804v1
Date: Mon, 6 Apr 2020 11:13:04 GMT
ステータス: 処理完了
システム内更新日: 2022-12-16 05:51:07.650388
Title: Deep Face Forgery Detection
Title（参考訳）: ディープフェイス偽造検出
Authors: Nika Dogonadze, Jana Obernosterer, Ji Hou
Abstract要約: 本稿では,様々なタンパシナリオに対するアプローチについて述べる。本稿では,顔認識タスクからの伝達学習を用いて触覚検出を改善することを提案する。パブリックなFaceForensicsベンチマークで両方のアプローチを評価し,その精度を向上した。
参考スコア（独自算出の注目度）: 6.230751621285322
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Rapid progress in deep learning is continuously making it easier and cheaper to generate video forgeries. Hence, it becomes very important to have a reliable way of detecting these forgeries. This paper describes such an approach for various tampering scenarios. The problem is modelled as a per-frame binary classification task. We propose to use transfer learning from face recognition task to improve tampering detection on many different facial manipulation scenarios. Furthermore, in low resolution settings, where single frame detection performs poorly, we try to make use of neighboring frames for middle frame classification. We evaluate both approaches on the public FaceForensics benchmark, achieving state of the art accuracy.
Abstract（参考訳）: ディープラーニングの急速な進歩は、ビデオの偽造物の生成を容易かつ安価にしている。したがって、これらの偽造を信頼できる方法で検出することが非常に重要である。本稿では,様々な改ざんシナリオに対するアプローチについて述べる。問題はフレーム単位のバイナリ分類タスクとしてモデル化される。本稿では,顔認識タスクからのトランスファー学習を用いて,様々な顔操作シナリオにおける改ざん検出を改善することを提案する。さらに,単一フレーム検出が不十分な低解像度設定では,隣接フレームを中間フレーム分類に活用する。パブリックなFaceForensicsベンチマークで両方のアプローチを評価し,その精度を実現する。

関連論文リスト

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)
Learning Expressive And Generalizable Motion Features For Face Forgery Detection [52.54404879581527]
本稿では,既存のビデオ分類手法に基づく,シーケンスに基づく効果的な偽造検出フレームワークを提案する。動作特徴をより表現しやすくするために,別の動作整合ブロックを提案する。一般的なビデオ分類ネットワークを3つの顔偽造データに対して有望な結果を達成する。
論文参考訳（メタデータ） (2024-03-08T09:25:48Z)
COMICS: End-to-end Bi-grained Contrastive Learning for Multi-face Forgery Detection [56.7599217711363]
顔偽造認識法は一度に1つの顔しか処理できない。ほとんどの顔偽造認識法は一度に1つの顔しか処理できない。マルチフェイスフォージェリ検出のためのエンドツーエンドフレームワークであるCOMICSを提案する。
論文参考訳（メタデータ） (2023-08-03T03:37:13Z)
Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
論文参考訳（メタデータ） (2023-07-31T10:22:33Z)
Detect Any Deepfakes: Segment Anything Meets Face Forgery Detection and Localization [30.317619885984005]
本稿では,視覚的セグメンテーション基盤モデル,すなわちセグメンテーションモデル(SAM)をフォージェリ検出とローカライゼーションの対面に導入する。 SAMに基づいて,Multiscale Adapterを用いたDADFフレームワークを提案する。提案するフレームワークは、エンドツーエンドのフォージェリーローカライゼーションと検出最適化をシームレスに統合する。
論文参考訳（メタデータ） (2023-06-29T16:25:04Z)
Building an Invisible Shield for Your Portrait against Deepfakes [34.65356811439098]
本稿では,画像のプロアクティブな保護を目的とした新しいフレームワーク,Integity Encryptorを提案する。提案手法では,重要な顔属性と密接な関係を持つメッセージを,秘密に符号化する。修正された顔属性は、デコードされたメッセージの比較を通じて、操作された画像を検出する手段として機能する。
論文参考訳（メタデータ） (2023-05-22T10:01:28Z)
Detecting and Localizing Copy-Move and Image-Splicing Forgery [0.0]
本稿では、ディープラーニングと画像変換の両方を用いて、画像が改ざんされているかどうかを検出する方法に焦点を当てる。次に、画像の改ざん領域を特定し、対応するマスクを予測する。結果に基づいて、偽造を検知し識別するより堅牢なフレームワークを実現するための提案とアプローチが提供される。
論文参考訳（メタデータ） (2022-02-08T01:14:30Z)
Detect and Locate: A Face Anti-Manipulation Approach with Semantic and Noise-level Supervision [67.73180660609844]
本稿では,画像中の偽造顔を効率的に検出する,概念的にシンプルだが効果的な方法を提案する。提案手法は,画像に関する意味の高い意味情報を提供するセグメンテーションマップに依存する。提案モデルでは,最先端検出精度と顕著なローカライゼーション性能を実現する。
論文参考訳（メタデータ） (2021-07-13T02:59:31Z)
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)

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。