Fugu-MT 論文翻訳(概要): Preliminary Forensics Analysis of DeepFake Images

論文の概要: Preliminary Forensics Analysis of DeepFake Images

arxiv url: http://arxiv.org/abs/2004.12626v5
Date: Tue, 4 Aug 2020 09:27:14 GMT
ステータス: 処理完了
システム内更新日: 2022-12-09 05:47:14.067588
Title: Preliminary Forensics Analysis of DeepFake Images
Title（参考訳）: DeepFake画像の予備解析
Authors: Luca Guarnera (1 and 2), Oliver Giudice (1), Cristina Nastasi (1), Sebastiano Battiato (1 and 2) ((1) University of Catania, (2) iCTLab s.r.l. - Spin-off of University of Catania)
Abstract要約: DeepFakeは、ディープラーニングに基づくアルゴリズムを活用することで、画像やビデオの人物の顔を自動的に置き換えることが可能になる。本稿では,顔のディープフェイク画像を生成する技術の概要を紹介する。標準手法によるこれらの画像の法医学的分析について述べる。顔のディープフェイク画像と戦うための予備的なアイデアが提示される。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: One of the most terrifying phenomenon nowadays is the DeepFake: the possibility to automatically replace a person's face in images and videos by exploiting algorithms based on deep learning. This paper will present a brief overview of technologies able to produce DeepFake images of faces. A forensics analysis of those images with standard methods will be presented: not surprisingly state of the art techniques are not completely able to detect the fakeness. To solve this, a preliminary idea on how to fight DeepFake images of faces will be presented by analysing anomalies in the frequency domain.
Abstract（参考訳）: 現在最も恐ろしい現象の1つはディープフェイク(deepfake)である。ディープラーニングに基づくアルゴリズムを活用すれば、画像やビデオで顔を自動的に置き換えることができる。本稿では,顔のディープフェイク画像を生成する技術の概要を紹介する。これらの画像の標準的手法による法医学的分析が提示される: 驚くべきことに、技術技術が偽物を完全に検出することができない。これを解決するために、周波数領域の異常を分析して、顔のディープフェイク画像との戦い方に関する予備的アイデアを提示する。

関連論文リスト

Deepfake detection in videos with multiple faces using geometric-fakeness features [79.16635054977068]
被害者や人物のディープフェイクは、脅迫、ゆがみ、金融詐欺の詐欺師によって使用される。本研究では,映像中の顔の存在の動的度を特徴付ける幾何学的フェイクネス機能(GFF)を提案する。我々は、ビデオに同時に存在する複数の顔でビデオを分析するために、我々のアプローチを採用している。
論文参考訳（メタデータ） (2024-10-10T13:10:34Z)
Robust Sequential DeepFake Detection [46.493498963150294]
シークエンシャルディープフェイク制御(Seq-DeepFake)と呼ばれる新しい研究課題を提案する。バイナリラベル予測のみを要求する既存のディープフェイク検出タスクとは異なり、Seq-DeepFakeでは、顔操作操作のシーケンシャルベクトルを正確に予測する必要がある。
論文参考訳（メタデータ） (2023-09-26T15:01:43Z)
Comparative Analysis of Deep-Fake Algorithms [0.0]
ディープフェイク(Deepfakes)は、ディープラーニングベースのフェイクビデオとしても知られており、近年大きな関心を集めている。これらのディープフェイクビデオは、誤った情報を広めたり、個人を偽装したり、フェイクニュースを作るといった悪質な目的で使用することができる。ディープフェイク検出技術は、顔認識、モーション分析、音声と視覚の同期といった様々なアプローチを使用する。
論文参考訳（メタデータ） (2023-09-06T18:17:47Z)
A Survey of Deep Fake Detection for Trial Courts [2.320417845168326]
DeepFakeのアルゴリズムは、人間が本物と区別できない偽のイメージやビデオを作成することができる。偽の情報を拡散するのを避けるために、偽の動画を検出することが不可欠になっている。本稿では,DeepFakeを検知する手法と,DeepFakeを検出できるデータセットについて検討する。
論文参考訳（メタデータ） (2022-05-31T13:50:25Z)
Restricted Black-box Adversarial Attack Against DeepFake Face Swapping [70.82017781235535]
本稿では,顔画像偽造モデルに対する問い合わせを一切必要としない現実的な敵攻撃を提案する。本手法は,顔の再構成を行う代用モデルに基づいて構築され,置換モデルから非アクセス可能なブラックボックスDeepFakeモデルへの逆例を直接転送する。
論文参考訳（メタデータ） (2022-04-26T14:36:06Z)
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)
CMUA-Watermark: A Cross-Model Universal Adversarial Watermark for Combating Deepfakes [74.18502861399591]
ディープフェイクの悪意ある応用(すなわち、テクノロジーはターゲットの顔や顔の特徴を生成できる)は、我々の社会に大きな脅威をもたらしている。本稿では,深層圏モデルに対する普遍的敵攻撃法を提案し,CMUA-Watermark(CMUA-Watermark)を作成した。実験の結果,提案したCMUA-Watermarkはディープフェイクモデルによって生成された偽の顔画像を効果的に歪めることができることがわかった。
論文参考訳（メタデータ） (2021-05-23T07:28:36Z)
Landmark Breaker: Obstructing DeepFake By Disturbing Landmark Extraction [40.71503677067645]
ランドマークブレーカー(Landmark Breaker)は、顔のランドマーク抽出を妨害する最初の専用手法である。私たちのモチベーションは、顔のランドマーク抽出を乱すことが、DeepFakeの品質を劣化させるために、入力顔のアライメントに影響を与えることです。 DeepFake生成後にのみ動作する検出方法と比較して、Landmark BreakerはDeepFake生成を防ぐために一歩前進する。
論文参考訳（メタデータ） (2021-02-01T12:27:08Z)
Identity-Driven DeepFake Detection [91.0504621868628]
アイデンティティ駆動のDeepFake Detectionは、被疑者画像/ビデオとターゲットのアイデンティティ情報を入力する。被疑者画像・映像の同一性は対象人物と同一かという判断を出力する。本稿では,新たな研究のベースラインとして,簡単な識別ベース検出アルゴリズムであるouterfaceを提案する。
論文参考訳（メタデータ） (2020-12-07T18:59:08Z)
What makes fake images detectable? Understanding properties that generalize [55.4211069143719]
深層ネットワークは、博士画像の微妙なアーティファクトを拾い上げることができる。我々は、偽画像のどの特性が検出可能かを理解することを模索する。検出可能な特性を誇張する手法を示す。
論文参考訳（メタデータ） (2020-08-24T17:50:28Z)

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。