論文の概要: Mining Generalized Features for Detecting AI-Manipulated Fake Faces
- arxiv url: http://arxiv.org/abs/2010.14129v1
- Date: Tue, 27 Oct 2020 08:41:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 12:51:58.482328
- Title: Mining Generalized Features for Detecting AI-Manipulated Fake Faces
- Title（参考訳）: AI操作されたフェイク顔検出のための一般的な特徴のマイニング
- Authors: Yang Yu, Rongrong Ni and Yao Zhao
- Abstract要約: 本稿では,本質的な特徴をマイニングし,分布バイアスを排除し,一般化能力を向上する新しい枠組みを提案する。
提案手法は,最もポピュラーで最先端な操作技術を用いて,偽顔データセットの4つのカテゴリで評価する。
- 参考スコア（独自算出の注目度）: 39.86126596985567
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, AI-manipulated face techniques have developed rapidly and
constantly, which has raised new security issues in society. Although existing
detection methods consider different categories of fake faces, the performance
on detecting the fake faces with "unseen" manipulation techniques is still poor
due to the distribution bias among cross-manipulation techniques. To solve this
problem, we propose a novel framework that focuses on mining intrinsic features
and further eliminating the distribution bias to improve the generalization
ability. Firstly, we focus on mining the intrinsic clues in the channel
difference image (CDI) and spectrum image (SI) from the camera imaging process
and the indispensable step in AI manipulation process. Then, we introduce the
Octave Convolution (OctConv) and an attention-based fusion module to
effectively and adaptively mine intrinsic features from CDI and SI. Finally, we
design an alignment module to eliminate the bias of manipulation techniques to
obtain a more generalized detection framework. We evaluate the proposed
framework on four categories of fake faces datasets with the most popular and
state-of-the-art manipulation techniques, and achieve very competitive
performances. To further verify the generalization ability of the proposed
framework, we conduct experiments on cross-manipulation techniques, and the
results show the advantages of our method.
- Abstract（参考訳）: 近年,AIによる顔認証技術が急速に発展し,社会に新たなセキュリティ問題を引き起こしている。
既存の検出法では, 偽顔の分類が異なるが, クロスマニピュレーション技術間の分布バイアスのため, 偽顔の「見えない」操作技術による検出性能は依然として劣っている。
そこで本稿では,本質的特徴のマイニングに着目し,分布バイアスを取り除き,一般化能力を向上させる新しい枠組みを提案する。
まず,cdi (channel difference image) とsi (spectrum image) に内在する手掛かりをカメラ画像から抽出し,ai操作プロセスにおいて不可欠となるステップについて考察する。
次に,オクターブ畳み込み(octconv)と注意に基づく融合モジュールを導入し,cdiとsiから本質的特徴を効果的かつ適応的に抽出する。
最後に,より一般化した検出フレームワークを得るために,操作技術の偏りをなくすアライメントモジュールを設計する。
提案手法は,最も人気があり最先端の操作技術を持つ偽顔データセットの4つのカテゴリで評価し,非常に競争力のある性能を実現する。
提案手法の一般化能力をさらに検証するため,クロスマニピュレーション手法の実験を行い,本手法の利点を示す。
関連論文リスト
- A visualization method for data domain changes in CNN networks and the optimization method for selecting thresholds in classification tasks [1.1118946307353794]
Face Anti-Spoofing (FAS) は、顔認識技術のセキュリティを維持する上で重要な役割を担っている。
偽造顔生成技術の台頭に伴い、デジタル編集された顔が反偽造に直面する課題がエスカレートしている。
本稿では,データセット上での予測結果を可視化することにより,モデルのトレーニング結果を直感的に反映する可視化手法を提案する。
論文 参考訳（メタデータ） (2024-04-19T03:12:17Z) - GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross
Appearance-Edge Learning [49.93362169016503]
フォトリアリスティック・ジェネレータの急速な進歩は、真の画像と操作された画像の相違がますます不明瞭になっている臨界点に達している。
公開されている顔の偽造データセットはいくつかあるが、偽造顔は主にGANベースの合成技術を用いて生成される。
我々は,大規模で多様できめ細かな高忠実度データセットであるGenFaceを提案し,ディープフェイク検出の進展を促進する。
論文 参考訳（メタデータ） (2024-02-03T03:13:50Z) - Detect and Locate: A Face Anti-Manipulation Approach with Semantic and
Noise-level Supervision [67.73180660609844]
本稿では,画像中の偽造顔を効率的に検出する,概念的にシンプルだが効果的な方法を提案する。
提案手法は,画像に関する意味の高い意味情報を提供するセグメンテーションマップに依存する。
提案モデルでは,最先端検出精度と顕著なローカライゼーション性能を実現する。
論文 参考訳（メタデータ） (2021-07-13T02:59:31Z) - Towards Generalizable and Robust Face Manipulation Detection via
Bag-of-local-feature [55.47546606878931]
そこで本稿では,局所的特徴の一般化能力とロバスト性を向上する顔の操作検出手法を提案する。
具体的には、パッチ間関係をエンコードするためにbag-of-featureアプローチを使ってトランスフォーマーを拡張し、明示的な監督なしにローカルな偽造機能を学ぶことができる。
論文 参考訳（メタデータ） (2021-03-14T12:50:48Z) - Face Anti-Spoofing Via Disentangled Representation Learning [90.90512800361742]
顔認識システムのセキュリティには、顔の偽造が不可欠だ。
本稿では,画像から生意気な特徴やコンテンツの特徴を乱す顔のアンチ・スプーフィングの新たな視点を提案する。
論文 参考訳（メタデータ） (2020-08-19T03:54:23Z) - Attentive Semantic Exploring for Manipulated Face Detection [12.635690519021555]
識別的欠陥や歪みがこれらのフラグメントと密接に関連していることから,画像のセグメンテーションを意味的フラグメントに分割することが有効である可能性が示唆された。
本稿では,多レベル顔意味とカスケード注意機構に基づく顔検出手法を提案する。
論文 参考訳（メタデータ） (2020-05-06T17:08:56Z) - 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) - Towards High Performance Human Keypoint Detection [87.1034745775229]
文脈情報は人体構成や見えないキーポイントを推論する上で重要な役割を担っている。
そこで我々は,空間とチャネルのコンテキスト情報を効率的に統合するカスケードコンテキストミキサー(CCM)を提案する。
CCMの表現能力を最大化するために、我々は、強陰性な人検出マイニング戦略と共同訓練戦略を開発する。
検出精度を向上させるために,キーポイント予測を後処理するためのいくつかのサブピクセル改良手法を提案する。
論文 参考訳（メタデータ） (2020-02-03T02:24:51Z) - FakeLocator: Robust Localization of GAN-Based Face Manipulations [19.233930372590226]
本稿では,FakeLocatorと呼ばれる新しいアプローチを提案する。
これは、GANベースのフェイクローカライゼーション問題をグレースケールのフェイクネスマップで解決する最初の試みである。
人気の高いFaceForensics++,DFFDデータセット,および7種類の最先端のGANベースの顔生成手法による実験結果から,本手法の有効性が示された。
論文 参考訳（メタデータ） (2020-01-27T06:15:01Z)
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。