論文の概要: Fighting Deepfake by Exposing the Convolutional Traces on Images
- arxiv url: http://arxiv.org/abs/2008.04095v1
- Date: Fri, 7 Aug 2020 08:49:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 01:38:40.993363
- Title: Fighting Deepfake by Exposing the Convolutional Traces on Images
- Title（参考訳）: 画像の畳み込みトレースを露呈してディープフェイクと戦う
- Authors: Luca Guarnera (1 and 2), Oliver Giudice (1), Sebastiano Battiato (1
and 2) ((1) University of Catania, (2) iCTLab s.r.l. - Spin-off of University
of Catania)
- Abstract要約: 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。
- 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: Advances in Artificial Intelligence and Image Processing are changing the way
people interacts with digital images and video. Widespread mobile apps like
FACEAPP make use of the most advanced Generative Adversarial Networks (GAN) to
produce extreme transformations on human face photos such gender swap, aging,
etc. The results are utterly realistic and extremely easy to be exploited even
for non-experienced users. This kind of media object took the name of Deepfake
and raised a new challenge in the multimedia forensics field: the Deepfake
detection challenge. Indeed, discriminating a Deepfake from a real image could
be a difficult task even for human eyes but recent works are trying to apply
the same technology used for generating images for discriminating them with
preliminary good results but with many limitations: employed Convolutional
Neural Networks are not so robust, demonstrate to be specific to the context
and tend to extract semantics from images. In this paper, a new approach aimed
to extract a Deepfake fingerprint from images is proposed. The method is based
on the Expectation-Maximization algorithm trained to detect and extract a
fingerprint that represents the Convolutional Traces (CT) left by GANs during
image generation. The CT demonstrates to have high discriminative power
achieving better results than state-of-the-art in the Deepfake detection task
also proving to be robust to different attacks. Achieving an overall
classification accuracy of over 98%, considering Deepfakes from 10 different
GAN architectures not only involved in images of faces, the CT demonstrates to
be reliable and without any dependence on image semantic. Finally, tests
carried out on Deepfakes generated by FACEAPP achieving 93% of accuracy in the
fake detection task, demonstrated the effectiveness of the proposed technique
on a real-case scenario.
- Abstract（参考訳）: 人工知能と画像処理の進歩は、人々がデジタル画像やビデオと対話する方法を変えつつある。
FACEAPPのような幅広いモバイルアプリは、最も先進的なGenerative Adversarial Networks(GAN)を使用して、性別スワップや老化など、人間の顔写真に極端な変換を生成する。
結果は完全に現実的であり、経験のないユーザでも利用しやすい。
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。
実際、実際の画像からディープフェイクを識別することは、人間の目でも難しい作業であるが、最近の研究は、画像を生成するのに使用されるのと同じ技術を、予備的な良い結果で識別するのと同じ技術を適用しようとしているが、多くの制限がある。
本稿では,画像からディープフェイク指紋を抽出するための新しい手法を提案する。
この方法は、画像生成中にGANが残した畳み込みトレース(CT)を表す指紋を検出し、抽出するよう訓練された期待最大化アルゴリズムに基づいている。
CTは、Deepfake検出タスクにおける最先端技術よりも優れた結果が得られる高い判別力を持つことを示し、異なる攻撃に対して堅牢であることが証明されている。
顔の画像だけでなく、10の異なるGANアーキテクチャのDeepfakesを考慮し、総合的な分類精度を98%以上達成し、CTは画像意味論に頼らずに信頼性を証明している。
最後に,FACEAPPが生成したDeepfakesを用いて,偽検出タスクの精度の93%を達成し,実ケースシナリオにおける提案手法の有効性を実証した。
関連論文リスト
- Semantic Contextualization of Face Forgery: A New Definition, Dataset, and Detection Method [77.65459419417533]
我々は,顔フォージェリを意味的文脈に配置し,意味的顔属性を変更する計算手法が顔フォージェリの源であることを定義した。
階層的なグラフで整理されたラベルの集合に各画像が関連付けられている大規模な顔偽画像データセットを構築した。
本稿では,ラベル関係を捕捉し,その優先課題を優先するセマンティクス指向の顔偽造検出手法を提案する。
論文 参考訳（メタデータ） (2024-05-14T10:24:19Z) - 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) - AntifakePrompt: Prompt-Tuned Vision-Language Models are Fake Image Detectors [24.78672820633581]
深層生成モデルは、偽情報や著作権侵害に対する懸念を高めながら、驚くほど偽のイメージを作成することができる。
実画像と偽画像とを区別するためにディープフェイク検出技術が開発された。
本稿では,視覚言語モデルとアクシデントチューニング技術を用いて,Antifake Promptと呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2023-10-26T14:23:45Z) - Deepfake Detection of Occluded Images Using a Patch-based Approach [1.6114012813668928]
本研究では, 顔全体と顔のパッチを用いて, 障害物の有無で実像と偽像を識別する深層学習手法を提案する。
偽画像を作成するには、FFHQイメージでStyleGANとStyleGAN2を、CelebAイメージでStarGANとPGGANをトレーニングする。
提案手法は他の手法よりも早期に高い結果に到達し、異なる構築されたデータセットにおいてSoTAの結果を0.4%-7.9%向上させる。
論文 参考訳（メタデータ） (2023-04-10T12:12:14Z) - Real Face Foundation Representation Learning for Generalized Deepfake
Detection [74.4691295738097]
ディープフェイク技術の出現は、個人のプライバシーと公共の安全に脅威をもたらすため、社会的な問題となっている。
十分な偽の顔を集めることはほぼ不可能であり、既存の検出器があらゆる種類の操作に一般化することは困難である。
本稿では,大規模な実顔データセットから一般表現を学習することを目的としたリアルフェイスファウンデーション表現学習(RFFR)を提案する。
論文 参考訳（メタデータ） (2023-03-15T08:27:56Z) - Deep Convolutional Pooling Transformer for Deepfake Detection [54.10864860009834]
本研究では,局所的・グローバル的に決定的な画像特徴を取り入れた深部畳み込み変換器を提案する。
具体的には,抽出した特徴を充実させ,有効性を高めるために,畳み込みプーリングと再アテンションを適用した。
提案手法は、内部実験と相互データセット実験の両方において、最先端のベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2022-09-12T15:05:41Z) - 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) - M2TR: Multi-modal Multi-scale Transformers for Deepfake Detection [74.19291916812921]
Deepfake技術によって生成された鍛造画像は、デジタル情報の信頼性に深刻な脅威をもたらします。
本稿では,Deepfake検出のための微妙な操作アーチファクトを異なるスケールで捉えることを目的とする。
最先端の顔スワッピングと顔の再現方法によって生成された4000のDeepFakeビデオで構成される高品質のDeepFakeデータセットSR-DFを紹介します。
論文 参考訳（メタデータ） (2021-04-20T05:43:44Z) - Fighting deepfakes by detecting GAN DCT anomalies [0.0]
最先端アルゴリズムはディープニューラルネットワークを使って偽のコンテンツを検出する。
ディープフェイク画像の高精度判別が可能な新しい高速検出法を提案する。
この手法は革新的であり、最先端技術を超え、説明可能性の観点から多くの洞察を与えている。
論文 参考訳（メタデータ） (2021-01-24T19:45:11Z) - Fake face detection via adaptive manipulation traces extraction network [9.892936175042939]
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。
論文 参考訳（メタデータ） (2020-05-11T09:16:39Z) - DeepFake Detection by Analyzing Convolutional Traces [0.0]
我々は,人間の顔のディープフェイクの分析に着目し,新しい検出方法を提案する。
提案手法は, 予測最大化(EM)アルゴリズムを用いて, 基礎となる畳み込み生成過程をモデル化するための局所的特徴の集合を抽出する。
その結果、異なるアーキテクチャと対応する生成過程を区別する手法の有効性が示された。
論文 参考訳（メタデータ） (2020-04-22T09:02:55Z)
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。