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
- 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) - Contrastive Multi-FaceForensics: An End-to-end Bi-grained Contrastive
Learning Approach for Multi-face Forgery Detection [43.7421126999155]
Contrastive Multi-Face Forensics (COMICS)について述べる。
提案するフレームワークは、粗い面と細かな面の両方で効果的な顔偽造跡を探索する、新しい2次元のコントラスト学習手法である。
提案手法は,他の手法よりも大きなマージン(18.5%)を達成し,各種アーキテクチャへの統合の可能性を示している。
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) - MMNet: Multi-Collaboration and Multi-Supervision Network for Sequential
Deepfake Detection [81.59191603867586]
シークエンシャルディープフェイク検出は、回復のための正しいシーケンスで偽の顔領域を特定することを目的としている。
偽画像の復元には、逆変換を実装するための操作モデルの知識が必要である。
顔画像の空間スケールや逐次順列化を扱うマルチコラボレーション・マルチスーパービジョンネットワーク(MMNet)を提案する。
論文 参考訳(メタデータ) (2023-07-06T02:32:08Z) - 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) - Detection of Deepfake Videos Using Long Distance Attention [73.6659488380372]
既存のほとんどの検出方法は、問題をバニラ二項分類問題として扱う。
本稿では,偽顔と実顔の相違が非常に微妙であるため,特にきめ細かな分類問題として扱われる。
大域的な視点で空間的・時間的偽の痕跡を捉えるための2つの要素を持つ時空間モデルを提案する。
論文 参考訳(メタデータ) (2021-06-24T08:33:32Z) - 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。
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。