論文の概要: Dodging DeepFake Detection via Implicit Spatial-Domain Notch Filtering
- arxiv url: http://arxiv.org/abs/2009.09213v6
- Date: Thu, 21 Mar 2024 16:24:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-26 00:17:07.135287
- Title: Dodging DeepFake Detection via Implicit Spatial-Domain Notch Filtering
- Title（参考訳）: 空間領域切欠きフィルタによるディープフェイク検出
- Authors: Yihao Huang, Felix Juefei-Xu, Qing Guo, Yang Liu, Geguang Pu,
- Abstract要約: 画像の品質を損なうことなく、偽画像のアーティファクトパターンを低減するための、シンプルながら強力なパイプラインを提案する。
まず、周波数領域のノッチフィルタは、ノッチフィルタに必要な手動設計のため、手作業では不可能であることを示す。
次に、ノッチフィルタリング効果を再現するための学習に基づくアプローチを、空間領域にのみ適用する。
- 参考スコア（独自算出の注目度）: 23.600467738343276
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The current high-fidelity generation and high-precision detection of DeepFake images are at an arms race. We believe that producing DeepFakes that are highly realistic and 'detection evasive' can serve the ultimate goal of improving future generation DeepFake detection capabilities. In this paper, we propose a simple yet powerful pipeline to reduce the artifact patterns of fake images without hurting image quality by performing implicit spatial-domain notch filtering. We first demonstrate that frequency-domain notch filtering, although famously shown to be effective in removing periodic noise in the spatial domain, is infeasible for our task at hand due to the manual designs required for the notch filters. We, therefore, resort to a learning-based approach to reproduce the notch filtering effects, but solely in the spatial domain. We adopt a combination of adding overwhelming spatial noise for breaking the periodic noise pattern and deep image filtering to reconstruct the noise-free fake images, and we name our method DeepNotch. Deep image filtering provides a specialized filter for each pixel in the noisy image, producing filtered images with high fidelity compared to their DeepFake counterparts. Moreover, we also use the semantic information of the image to generate an adversarial guidance map to add noise intelligently. Our large-scale evaluation on 3 representative state-of-the-art DeepFake detection methods (tested on 16 types of DeepFakes) has demonstrated that our technique significantly reduces the accuracy of these 3 fake image detection methods, 36.79% on average and up to 97.02% in the best case.
- Abstract（参考訳）: 現在、DeepFake画像の高忠実度生成と高精度検出は、軍備競争の最中である。
私たちは、非常に現実的で「検出回避」なDeepFakeの製造は、次世代のDeepFake検出機能を改善するという究極の目標を達成できると考えています。
本稿では、暗黙的な空間領域のノッチフィルタリングを行うことにより、画像品質を損なうことなく、偽画像のアーティファクトパターンを低減するための、シンプルながら強力なパイプラインを提案する。
まず、周波数領域のノッチフィルタは、空間領域における周期的なノイズを取り除くのに有効であるが、ノッチフィルタに必要な手動設計のため、手作業では不可能であることを示す。
したがって、我々はノッチフィルタリング効果を再現するための学習に基づくアプローチを、空間領域にのみ適用する。
我々は、ノイズのない偽画像の再構成に、周期的なノイズパターンの破れに圧倒的な空間ノイズを加え、ディープノッチ(DeepNotch)という手法を併用する。
ディープ・イメージ・フィルタリングはノイズの多い画像の各ピクセルに対して特別なフィルタを提供し、ディープ・フェイクに比べてフィルタされた画像を高忠実に生成する。
さらに、画像の意味情報を用いて、逆方向の誘導マップを生成し、ノイズをインテリジェントに付加する。
最先端3種類のDeepFake検出手法(16種類のDeepFakeで検証)を大規模に評価した結果,これら3種類の偽画像検出手法の精度は,平均36.79%,最高97.02%と有意に低下した。
関連論文リスト
- Exploring the Impact of Moire Pattern on Deepfake Detectors [23.343014841799167]
デジタルスクリーンから撮影したディープフェイク映像が検出器性能に与える影響について検討した。
その結果,検出器の精度は著しく低下し,平均68%を超えなかった。
このことは、現実世界のディープフェイク検出シナリオにおいて、Moirのパターン問題に対処する重要な必要性を浮き彫りにしている。
論文 参考訳（メタデータ） (2024-07-15T02:39:24Z) - Frequency-Aware Deepfake Detection: Improving Generalizability through
Frequency Space Learning [81.98675881423131]
この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。
既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。
本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
論文 参考訳（メタデータ） (2024-03-12T01:28:00Z) - Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。
これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。
高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文 参考訳（メタデータ） (2023-08-24T12:32:46Z) - 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) - DepthFake: a depth-based strategy for detecting Deepfake videos [5.631804825444735]
本稿では,従来のRGBベースのアプローチを深度マップで改善する方法を示す。
提案されたRGBDアプローチは、いくつかのディープフェイク攻撃に対して平均3.20%と最大11.7%の改善を達成することができる。
論文 参考訳（メタデータ） (2022-08-23T16:38:25Z) - Adversarial Domain Feature Adaptation for Bronchoscopic Depth Estimation [111.89519571205778]
そこで本研究では,深度推定のためのドメイン適応手法を提案する。
提案する2段階構造は,まず,ラベル付き合成画像を用いた深度推定ネットワークを教師付きで訓練する。
実験の結果,提案手法は実画像上でのネットワーク性能をかなりの差で向上させることがわかった。
論文 参考訳（メタデータ） (2021-09-24T08:11:34Z) - Noise Doesn't Lie: Towards Universal Detection of Deep Inpainting [42.189768203036394]
本研究は, ディープ・インパインティングの普遍的検出に向けた最初の試みであり, 検出ネットワークの一般化を図っている。
提案手法は,既存の検出手法を大きなマージンで上回り,未確認の深層塗膜技術に最適化する。
論文 参考訳（メタデータ） (2021-06-03T01:29:29Z) - 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) - FakePolisher: Making DeepFakes More Detection-Evasive by Shallow
Reconstruction [30.59382916497875]
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。
論文 参考訳（メタデータ） (2020-06-13T01:48:15Z) - High-Resolution Image Inpainting with Iterative Confidence Feedback and
Guided Upsampling [122.06593036862611]
既存の画像塗装法は、実アプリケーションで大きな穴を扱う際に、しばしばアーティファクトを生成する。
本稿では,フィードバック機構を備えた反復インペイント手法を提案する。
実験により,本手法は定量評価と定性評価の両方において既存手法よりも有意に優れていた。
論文 参考訳（メタデータ） (2020-05-24T13:23:45Z)
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。