論文の概要: FakePolisher: Making DeepFakes More Detection-Evasive by Shallow Reconstruction

• arxiv url: http://arxiv.org/abs/2006.07533v3
• Date: Mon, 17 Aug 2020 07:27:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 21:00:12.739380
• Title: FakePolisher: Making DeepFakes More Detection-Evasive by Shallow Reconstruction
• Title（参考訳）: FakePolisher:DeepFakesを浅部再建でより高機能に
• Authors: Yihao Huang, Felix Juefei-Xu, Run Wang, Qing Guo, Lei Ma, Xiaofei Xie, Jianwen Li, Weikai Miao, Yang Liu, Geguang Pu
• Abstract要約: GANベースの画像生成法はまだ不完全であり、アップサンプリング設計は、特定のアーチファクトパターンを合成画像に残すことに制限がある。 本稿では,学習線形辞書を用いて,偽画像の浅部再構成を行うFakePolisherというシンプルなアプローチを考案する。 提案手法の有効性を実証し,3つの最先端のDeepFake検出手法と16のGANを用いたフェイク画像生成手法によるフェイク画像の総合評価を行った。
• 参考スコア（独自算出の注目度）: 30.59382916497875
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: At this moment, GAN-based image generation methods are still imperfect, whose upsampling design has limitations in leaving some certain artifact patterns in the synthesized image. Such artifact patterns can be easily exploited (by recent methods) for difference detection of real and GAN-synthesized images. However, the existing detection methods put much emphasis on the artifact patterns, which can become futile if such artifact patterns were reduced. Towards reducing the artifacts in the synthesized images, in this paper, we devise a simple yet powerful approach termed FakePolisher that performs shallow reconstruction of fake images through a learned linear dictionary, intending to effectively and efficiently reduce the artifacts introduced during image synthesis. The comprehensive evaluation on 3 state-of-the-art DeepFake detection methods and fake images generated by 16 popular GAN-based fake image generation techniques, demonstrates the effectiveness of our technique.Overall, through reducing artifact patterns, our technique significantly reduces the accuracy of the 3 state-of-the-art fake image detection methods, i.e., 47% on average and up to 93% in the worst case.
• Abstract（参考訳）: 現在、ganベースの画像生成手法はまだ不完全であり、そのアップサンプリング設計は合成された画像にいくつかのアーティファクトパターンを残すことに制限がある。 このようなアーティファクトパターンは、実画像とGAN合成画像の差分検出に(最近の方法で)容易に利用することができる。 しかし,既存の検出手法では,アーティファクトパターンに重点が置かれており,そのようなアーティファクトパターンが小さくなれば無駄になる可能性がある。 本稿では,合成画像のアーティファクトの削減に向けて,学習線形辞書を通じて偽画像の浅い再構成を行う,単純かつ強力な手法である偽polisherを考案し,画像合成中に導入されたアーティファクトを効果的かつ効率的に削減することを目的としている。 本手法は,ganベースの偽画像生成技術16により生成された3段階のディープフェイク検出手法と偽画像の包括的評価を行い,本手法の有効性を実証し,アーティファクトパターンの低減により,最先端の偽画像検出手法である平均47%,最悪の場合には最大93%の精度を著しく低減した。

関連論文リスト

• Self-Adaptive Reality-Guided Diffusion for Artifact-Free Super-Resolution [47.29558685384506]
  アーティファクトフリー・スーパーレゾリューション(SR)は、低解像度画像を、オリジナルコンテンツの厳密な整合性のある高解像度画像に変換することを目的としている。 従来の拡散型SR技術は反復的な手順でアーティファクトを導入する傾向にある。 本稿では,自己適応型現実誘導拡散(Self-Adaptive Reality-Guided Diffusion)を提案する。
  論文  参考訳（メタデータ） (2024-03-25T11:29:19Z)
• A Single Simple Patch is All You Need for AI-generated Image Detection [19.541645669791023]
  生成モデルは、画像をよりリアルにするために、リッチなテクスチャでパッチを生成することに集中する傾向がある。 本稿では,偽画像の識別に単一単純パッチのノイズパターンを利用する手法を提案する。 提案手法は,公開ベンチマーク上での最先端性能を実現することができる。
  論文  参考訳（メタデータ） (2024-02-02T03:50:45Z)
• Detecting Generated Images by Real Images Only [64.12501227493765]
  既存の画像検出手法は、生成画像中の視覚的アーティファクトを検出したり、大規模なトレーニングによって、実画像と生成画像の両方から識別的特徴を学習する。 本稿では,新たな視点から生成した画像検出問題にアプローチする。 実画像の共通性を見つけ、特徴空間内の密接な部分空間にマッピングすることで、生成した画像は生成モデルに関係なくサブ空間の外側に投影される。
  論文  参考訳（メタデータ） (2023-11-02T03:09:37Z)
• Parents and Children: Distinguishing Multimodal DeepFakes from Natural Images [60.34381768479834]
  近年の拡散モデルの発展により、自然言語のテキストプロンプトから現実的なディープフェイクの生成が可能になった。 我々は、最先端拡散モデルにより生成されたディープフェイク検出に関する体系的研究を開拓した。
  論文  参考訳（メタデータ） (2023-04-02T10:25:09Z)
• Towards A Robust Deepfake Detector:Common Artifact Deepfake Detection Model [14.308886041268973]
  そこで本研究では,コモン・アーティファクト・ディープフェイク検出モデルという新しいディープフェイク検出手法を提案する。 共通アーティファクトの特徴を学習する上での大きな障害は、モデルがアイデンティティ表現機能によって容易に誤解されることである。 本手法は,Implicit Identity Leakageの影響を効果的に低減し,最先端技術よりも大きなマージンで性能を向上する。
  論文  参考訳（メタデータ） (2022-10-26T04:02:29Z)
• Misleading Deep-Fake Detection with GAN Fingerprints [14.459389888856412]
  敵は、生成した画像の周波数スペクトルから直接、表現的アーティファクトであるGAN指紋を除去できることを示す。 以上の結果から,敵対者がしばしばGAN指紋を除去し,生成画像の検出を回避できることが示唆された。
  論文  参考訳（メタデータ） (2022-05-25T07:32:12Z)
• Beyond the Spectrum: Detecting Deepfakes via Re-Synthesis [69.09526348527203]
  ディープフェイク(Deepfakes)として知られる非常に現実的なメディアは、現実の目から人間の目まで区別できない。 本研究では,テスト画像を再合成し,検出のための視覚的手がかりを抽出する,新しい偽検出手法を提案する。 種々の検出シナリオにおいて,提案手法の摂動に対する有効性の向上,GANの一般化,堅牢性を示す。
  論文  参考訳（メタデータ） (2021-05-29T21:22:24Z)
• Identifying Invariant Texture Violation for Robust Deepfake Detection [17.306386179823576]
  Invariant Texture Learning frameworkは,低画質で公開されたデータセットにのみアクセスすることができる。 本手法は, 被写体から転写したテクスチャによって, 被写体表面の微視的顔のテクスチャが必然的に侵害されることを前提とした。
  論文  参考訳（メタデータ） (2020-12-19T03:02:15Z)
• 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)
• 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)
• Artificial Fingerprinting for Generative Models: Rooting Deepfake Attribution in Training Data [64.65952078807086]
  光現実性画像生成は、GAN(Generative Adversarial Network)のブレークスルーにより、新たな品質レベルに達した。 しかし、このようなディープフェイクのダークサイド、すなわち生成されたメディアの悪意ある使用は、視覚的誤報に関する懸念を提起する。 我々は,モデルに人工指紋を導入することによって,深度検出の積極的な,持続可能なソリューションを模索する。
  論文  参考訳（メタデータ） (2020-07-16T16:49:55Z)

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。