論文の概要: Fake face detection via adaptive manipulation traces extraction network
- arxiv url: http://arxiv.org/abs/2005.04945v2
- Date: Wed, 16 Dec 2020 06:18:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-04 20:30:10.162262
- Title: Fake face detection via adaptive manipulation traces extraction network
- Title（参考訳）: 適応的操作トレース抽出ネットワークによるフェイク顔検出
- Authors: Zhiqing Guo, Gaobo Yang, Jiyou Chen, Xingming Sun
- Abstract要約: 本稿では,画像内容の抑制と操作トレースの強調のために,適応的な操作トレース抽出ネットワーク (AMTEN) を提案する。
AMTENは適応的な畳み込み層を利用して画像内の操作トレースを予測する。
様々なFIM技術によって生成された偽の顔画像を検出する場合、AMTENnetは平均精度98.52%に達する。
- 参考スコア（独自算出の注目度）: 9.892936175042939
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the proliferation of face image manipulation (FIM) techniques such as
Face2Face and Deepfake, more fake face images are spreading over the internet,
which brings serious challenges to public confidence. Face image forgery
detection has made considerable progresses in exposing specific FIM, but it is
still in scarcity of a robust fake face detector to expose face image forgeries
under complex scenarios such as with further compression, blurring, scaling,
etc. Due to the relatively fixed structure, convolutional neural network (CNN)
tends to learn image content representations. However, CNN should learn subtle
manipulation traces for image forensics tasks. Thus, we propose an adaptive
manipulation traces extraction network (AMTEN), which serves as pre-processing
to suppress image content and highlight manipulation traces. AMTEN exploits an
adaptive convolution layer to predict manipulation traces in the image, which
are reused in subsequent layers to maximize manipulation artifacts by updating
weights during the back-propagation pass. A fake face detector, namely
AMTENnet, is constructed by integrating AMTEN with CNN. Experimental results
prove that the proposed AMTEN achieves desirable pre-processing. When detecting
fake face images generated by various FIM techniques, AMTENnet achieves an
average accuracy up to 98.52%, which outperforms the state-of-the-art works.
When detecting face images with unknown post-processing operations, the
detector also achieves an average accuracy of 95.17%.
- Abstract（参考訳）: face2faceやdeepfakeといった顔画像操作(fim)技術が普及するにつれて、偽の顔画像がインターネットに広まり、公衆の信頼に深刻な課題がもたらされている。
顔画像偽造検出は、特定のfimを公開する上でかなりの進歩を遂げているが、さらなる圧縮、ぼやけ、スケーリングなど複雑なシナリオで顔画像偽造を露呈する堅牢な偽顔検出装置はまだ不足している。
比較的固定された構造のため、畳み込みニューラルネットワーク(CNN)は画像の内容表現を学ぶ傾向がある。
しかし、CNNは画像鑑定タスクの微妙な修正トレースを学習すべきである。
そこで本稿では,画像の内容の抑制と操作トレースの強調を行う前処理として,適応的な操作トレース抽出ネットワーク(AMTEN)を提案する。
AMTENは適応的な畳み込み層を利用して画像内の操作トレースを予測し、後続の層で再利用して、バックプロパゲーションパス中に重みを更新することで操作アーティファクトを最大化する。
AMTENnetという偽顔検出器は、AMTENとCNNを統合することで構築される。
実験の結果,提案したAMTENは望ましい前処理を実現することがわかった。
様々なFIM技術によって生成された偽の顔画像を検出する場合、AMTENnetは平均精度98.52%に達する。
顔画像を未知の処理操作で検出する場合、検出器は平均精度95.17%に達する。
関連論文リスト
- DiffusionFace: Towards a Comprehensive Dataset for Diffusion-Based Face Forgery Analysis [71.40724659748787]
DiffusionFaceは、最初の拡散ベースのフェイスフォージェリーデータセットである。
非条件およびテキストガイドの顔画像生成、Img2Img、Inpaint、Diffusionベースの顔交換アルゴリズムなど、さまざまなフォージェリーカテゴリをカバーする。
重要なメタデータと、評価のための実世界のインターネットソースの偽顔画像データセットを提供する。
論文 参考訳（メタデータ） (2024-03-27T11:32:44Z) - 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) - Deepfake detection by exploiting surface anomalies: the SurFake approach [29.088218634944116]
本稿では, ディープフェイク生成が, 買収時のシーン全体の特性に与える影響について検討する。
画像に描かれた表面の特性を解析することにより、深度検出のためにCNNを訓練するのに使用できる記述子を得ることができる。
論文 参考訳（メタデータ） (2023-10-31T16:54:14Z) - Latent-OFER: Detect, Mask, and Reconstruct with Latent Vectors for
Occluded Facial Expression Recognition [0.0]
提案手法は, 顔の隠蔽部分を, 隠蔽されていないかのように検出し, 認識し, FER精度を向上する。
まず、視覚変換器(ViT)ベースのオクルージョンパッチ検出器は、隠蔽されたパッチから潜在ベクトルのみを訓練することで、隠蔽された位置をマスクする。
第2に、ハイブリッド再構成ネットワークは、ViTと畳み込みニューラルネットワーク(CNN)を用いて、完全な画像としてマスキング位置を生成する。
最後に、式関連潜時ベクトル抽出器は、CNNに基づくクラスアクティベーションマップを適用して、すべての潜時ベクトルから式関連情報を検索し、使用する。
論文 参考訳（メタデータ） (2023-07-21T07:56:32Z) - 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) - End2End Occluded Face Recognition by Masking Corrupted Features [82.27588990277192]
最先端の一般的な顔認識モデルは、隠蔽された顔画像に対してうまく一般化しない。
本稿では,1つのエンドツーエンドのディープニューラルネットワークに基づいて,オクルージョンに頑健な新しい顔認識手法を提案する。
我々のアプローチは、深い畳み込みニューラルネットワークから破損した特徴を発見し、動的に学習されたマスクによってそれらをきれいにする。
論文 参考訳（メタデータ） (2021-08-21T09:08:41Z) - Improving DeepFake Detection Using Dynamic Face Augmentation [0.8793721044482612]
ほとんどの公開可能なDeepFake検出データセットには、限られたバリエーションがある。
ディープニューラルネットワークは、DeepFakeコンテンツの操作機能を検出するための学習ではなく、顔の特徴にオーバーフィットする傾向があります。
DeepFake検出を改善するために、CNN(Convolutional Neural Networks)をトレーニングするためのデータ拡張方法であるFace-Cutoutを紹介します。
論文 参考訳（メタデータ） (2021-02-18T20:25:45Z) - DeepFake Detection Based on the Discrepancy Between the Face and its
Context [94.47879216590813]
単一画像における顔のスワップやその他のアイデンティティ操作を検出する手法を提案する。
提案手法は, (i) 厳密なセマンティックセグメンテーションによって境界付けられた顔領域を考慮した顔識別ネットワークと, (ii) 顔コンテキストを考慮したコンテキスト認識ネットワークの2つのネットワークを含む。
本稿では,2つのネットワークからの認識信号を用いて,そのような不一致を検出する手法について述べる。
提案手法は,FaceForensics++,Celeb-DF-v2,DFDCベンチマークを用いて顔検出を行い,未知の手法で生成した偽物の検出を一般化する。
論文 参考訳（メタデータ） (2020-08-27T17:04:46Z) - Fighting Deepfake by Exposing the Convolutional Traces on Images [0.0]
FACEAPPのようなモバイルアプリは、最も高度なGAN(Generative Adversarial Networks)を使用して、人間の顔写真に極端な変換を生成する。
この種のメディアオブジェクトはDeepfakeという名前を取って、マルチメディアの法医学分野における新たな課題であるDeepfake検出課題を提起した。
本稿では,画像からディープフェイク指紋を抽出する手法を提案する。
論文 参考訳（メタデータ） (2020-08-07T08:49:23Z) - Exploiting Semantics for Face Image Deblurring [121.44928934662063]
本稿では,深層畳み込みニューラルネットワークによる意味的手がかりを利用して,効果的かつ効率的な顔分解アルゴリズムを提案する。
顔のセマンティックラベルを入力先として組み込んで,顔の局所構造を正規化するための適応的構造損失を提案する。
提案手法は、より正確な顔の特徴と細部を持つシャープ画像を復元する。
論文 参考訳（メタデータ） (2020-01-19T13:06:27Z)
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。