論文の概要: Thinking in Frequency: Face Forgery Detection by Mining Frequency-aware Clues

• arxiv url: http://arxiv.org/abs/2007.09355v2
• Date: Tue, 27 Oct 2020 04:04:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 05:44:00.380146
• Title: Thinking in Frequency: Face Forgery Detection by Mining Frequency-aware Clues
• Title（参考訳）: 周波数の思考--周波数認識による顔偽造検出
• Authors: Yuyang Qian, Guojun Yin, Lu Sheng, Zixuan Chen and Jing Shao
• Abstract要約: 本稿では,F3-Net(F3-Net)とF3-Net(F3-Net)の2つの異なる相補的な周波数認識手法の利点を生かした新しい周波数情報を提案する。 提案したF3-Netは、FaceForensics++データセットにおいて、すべての圧縮品質において競合する最先端の手法よりも大幅に優れていることを示す。
• 参考スコア（独自算出の注目度）: 44.78809141563589
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: As realistic facial manipulation technologies have achieved remarkable progress, social concerns about potential malicious abuse of these technologies bring out an emerging research topic of face forgery detection. However, it is extremely challenging since recent advances are able to forge faces beyond the perception ability of human eyes, especially in compressed images and videos. We find that mining forgery patterns with the awareness of frequency could be a cure, as frequency provides a complementary viewpoint where either subtle forgery artifacts or compression errors could be well described. To introduce frequency into the face forgery detection, we propose a novel Frequency in Face Forgery Network (F3-Net), taking advantages of two different but complementary frequency-aware clues, 1) frequency-aware decomposed image components, and 2) local frequency statistics, to deeply mine the forgery patterns via our two-stream collaborative learning framework. We apply DCT as the applied frequency-domain transformation. Through comprehensive studies, we show that the proposed F3-Net significantly outperforms competing state-of-the-art methods on all compression qualities in the challenging FaceForensics++ dataset, especially wins a big lead upon low-quality media.
• Abstract（参考訳）: 現実的な顔操作技術は目覚ましい進歩を遂げたので、これらの技術の悪用の可能性に対する社会的懸念は、顔偽造検出の新たな研究トピックを生み出している。 しかし、近年の進歩は、特に圧縮画像やビデオにおいて、人間の目の知覚能力を超えて顔を鍛えることができるため、非常に難しい。 周波数の認識による偽造パターンのマイニングは,微妙な偽造物や圧縮誤差が説明できるような補足的な視点を提供してくれるため,解決できる可能性が示唆された。 フェースフォージェリ検出に周波数を導入するために,2つの異なる相補的な周波数認識手がかりの利点を生かした新しいF3-Netを提案する。 1)周波数対応分解画像成分、及び 2) 局所周波数統計は,2ストリーム協調学習フレームワークを用いて,偽造パターンを深く掘り下げる。 DCTを応用周波数領域変換に適用する。 包括的な研究を通じて、提案手法はFaceForensics++データセットにおいて、競合するすべての圧縮品質において、競合する最先端の手法よりも大幅に優れており、特に低品質メディアにおいて大きな優位性を示している。

関連論文リスト

• Beyond Spatial Explanations: Explainable Face Recognition in the Frequency Domain [6.69421628320396]
  我々は、探索されていない周波数領域における説明可能な顔認識について、一歩前進して検討する。 この研究は、周波数領域における検証に基づく決定の説明可能性について初めて提案する。
  論文  参考訳（メタデータ） (2024-07-16T17:29:24Z)
• Attention Consistency Refined Masked Frequency Forgery Representation for Generalizing Face Forgery Detection [96.539862328788]
  既存の偽造検出方法は、未確認領域の真正性を決定する不満足な一般化能力に悩まされている。 ACMF(Attention Consistency Refined masked frequency forgery representation model)を提案する。 いくつかのパブリックフェイスフォージェリーデータセットの実験結果から,提案手法の性能は最先端の手法と比較して優れていることが示された。
  論文  参考訳（メタデータ） (2023-07-21T08:58:49Z)
• Spatial-Temporal Frequency Forgery Clue for Video Forgery Detection in VIS and NIR Scenario [87.72258480670627]
  既存の周波数領域に基づく顔偽造検出手法では、GAN鍛造画像は、実際の画像と比較して、周波数スペクトルに明らかな格子状の視覚的アーチファクトを持つ。 本稿では,コサイン変換に基づくフォージェリークリュー拡張ネットワーク(FCAN-DCT)を提案し,より包括的な時空間特徴表現を実現する。
  論文  参考訳（メタデータ） (2022-07-05T09:27:53Z)
• Adaptive Frequency Learning in Two-branch Face Forgery Detection [66.91715092251258]
  本稿では、AFDと呼ばれる2分岐検出フレームワークにおいて、周波数情報を適応的に学習する手法を提案する。 我々は、固定周波数変換からネットワークを解放し、データおよびタスク依存の変換層でより良いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-03-27T14:25:52Z)
• Exploiting Fine-grained Face Forgery Clues via Progressive Enhancement Learning [12.585152735152937]
  偽造検知は セキュリティ上の懸念から ますます注目を集めています 既存のアプローチでは、周波数情報を使用して、高品質な偽造顔の下で微妙なアーティファクトをマイニングしようとする。 本稿では,RGBときめ細かな周波数手がかりの両方を活用できるプログレッシブエンハンスメント学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-28T03:18:53Z)
• Generalizing Face Forgery Detection with High-frequency Features [63.33397573649408]
  現在のCNNベースの検出器は、メソッド固有の色テクスチャに過度に適合するため、一般化に失敗する傾向にある。 フェースフォージェリ検出に高周波雑音を用いることを提案する。 1つは、複数のスケールで高周波ノイズを抽出するマルチスケールの高周波特徴抽出モジュールである。 2つ目は、低レベルRGB特徴抽出器を導く残差誘導空間注意モジュールで、新しい視点からフォージェリートレースにもっと集中する。
  論文  参考訳（メタデータ） (2021-03-23T08:19:21Z)
• Spatial-Phase Shallow Learning: Rethinking Face Forgery Detection in Frequency Domain [88.7339322596758]
  本論文では,空間画像と位相スペクトルを組み合わせ,顔の偽造のアップサンプリング成果をキャプチャするSPSL(Spatial-Phase Shallow Learning)法を提案する。 SPSLは、クロスデータセット評価における最先端性能とマルチクラス分類を実現し、単一データセット評価において同等の結果を得ることができる。
  論文  参考訳（メタデータ） (2021-03-02T16:45:08Z)

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。