論文の概要: Using GANs to Synthesise Minimum Training Data for Deepfake Generation
- arxiv url: http://arxiv.org/abs/2011.05421v1
- Date: Tue, 10 Nov 2020 22:05:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 07:07:28.543190
- Title: Using GANs to Synthesise Minimum Training Data for Deepfake Generation
- Title（参考訳）: gansを用いたディープフェイク生成のための最小トレーニングデータ合成
- Authors: Simranjeet Singh and Rajneesh Sharma and Alan F. Smeaton
- Abstract要約: ディープフェイクは、エンターテイメント、顧客関係、さらには支援ケアといったアプリケーションで有用である。
ディープフェイクを生成することの1つの問題は、被写体の多くの画像トレーニングデータを必要とすることである。
我々は、GANの特性を利用して、変化した表情を持つ人物のイメージを生成し、そこからディープフェイクを生成する。
- 参考スコア（独自算出の注目度）: 2.7393821783237184
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: There are many applications of Generative Adversarial Networks (GANs) in
fields like computer vision, natural language processing, speech synthesis, and
more. Undoubtedly the most notable results have been in the area of image
synthesis and in particular in the generation of deepfake videos. While
deepfakes have received much negative media coverage, they can be a useful
technology in applications like entertainment, customer relations, or even
assistive care. One problem with generating deepfakes is the requirement for a
lot of image training data of the subject which is not an issue if the subject
is a celebrity for whom many images already exist. If there are only a small
number of training images then the quality of the deepfake will be poor. Some
media reports have indicated that a good deepfake can be produced with as few
as 500 images but in practice, quality deepfakes require many thousands of
images, one of the reasons why deepfakes of celebrities and politicians have
become so popular. In this study, we exploit the property of a GAN to produce
images of an individual with variable facial expressions which we then use to
generate a deepfake. We observe that with such variability in facial
expressions of synthetic GAN-generated training images and a reduced quantity
of them, we can produce a near-realistic deepfake videos.
- Abstract（参考訳）: コンピュータビジョン、自然言語処理、音声合成などの分野では、GAN(Generative Adversarial Networks)の多くの応用がある。
もっとも顕著な成果は、画像合成の分野、特にディープフェイクビデオの生成である。
ディープフェイクはメディアの報道をかなり否定的に受け取っているが、エンターテイメントや顧客関係、さらには支援ケアといったアプリケーションには便利な技術だ。
ディープフェイクを生成する際の1つの問題は、被写体の多くの画像訓練データを要求することであるが、被写体が既に多くの画像が存在する有名人であれば問題ではない。
訓練用画像がわずかでもあれば、ディープフェイクのクオリティは低くなるだろう。
メディアの報道によると、良いディープフェイクは500枚程度の画像で作れるが、実際にはクオリティのディープフェイクには何千もの画像が必要であり、有名人や政治家のディープフェイクがこれほど人気になった理由の1つである。
本研究では,GANの特性を利用して表情の異なる人物の画像を生成し,それを用いてディープフェイクを生成する。
合成GAN生成訓練画像の表情の変動と、その量の減少により、ほぼ現実的なディープフェイク映像が作成できることが観察された。
関連論文リスト
- Deepfake detection in videos with multiple faces using geometric-fakeness features [79.16635054977068]
被害者や人物のディープフェイクは、脅迫、ゆがみ、金融詐欺の詐欺師によって使用される。
本研究では,映像中の顔の存在の動的度を特徴付ける幾何学的フェイクネス機能(GFF)を提案する。
我々は、ビデオに同時に存在する複数の顔でビデオを分析するために、我々のアプローチを採用している。
論文 参考訳（メタデータ） (2024-10-10T13:10:34Z) - Unmasking Illusions: Understanding Human Perception of Audiovisual Deepfakes [49.81915942821647]
本研究は,ディープフェイク映像を主観的研究により識別する人間の能力を評価することを目的とする。
人間の観察者を5つの最先端オーディオ視覚深度検出モデルと比較することにより,その知見を提示する。
同じ40の動画で評価すると、すべてのAIモデルは人間より優れていることが分かりました。
論文 参考訳（メタデータ） (2024-05-07T07:57:15Z) - Deepfake for the Good: Generating Avatars through Face-Swapping with Implicit Deepfake Generation [6.720605329045581]
本稿では,新しい深層学習技術を組み合わせて,高機能な3D深層学習アバターの製作方法について述べる。
私たちのImplicitDeepfakeは、古典的なディープフェイクアルゴリズムを使って、すべてのトレーニングイメージを別々に修正し、修正された顔にNeRFとGSをトレーニングします。
論文 参考訳（メタデータ） (2024-02-09T13:11:57Z) - Text-image guided Diffusion Model for generating Deepfake celebrity
interactions [50.37578424163951]
拡散モデルは近年、非常にリアルなビジュアルコンテンツ生成を実証している。
本稿では,その点において新しい手法を考案し,検討する。
提案手法により, 現実感を脅かすことなく, 偽の視覚コンテンツを作成できることが示唆された。
論文 参考訳（メタデータ） (2023-09-26T08:24:37Z) - Hybrid Deepfake Detection Utilizing MLP and LSTM [0.0]
ディープフェイク(deepfake)は、最新の技術進歩にともなう発明である。
本稿では,2つのディープラーニングアルゴリズムを用いた新しいディープフェイク検出方式を提案する。
我々は、140k RealとFake Facesというデータセットを使用して、74.7%の精度で、ディープフェイクによって変化した画像を検出する。
論文 参考訳（メタデータ） (2023-04-21T16:38:26Z) - Deepfake Detection Analyzing Hybrid Dataset Utilizing CNN and SVM [0.0]
本稿では,2つの機械学習アルゴリズムを用いた新しいディープフェイク検出方式を提案する。
最近、Deepfakesはテクノロジーの進歩とともに上昇し、悪名高いオンラインユーザーが、自分の好きな人の顔をコンピューターで作り替えることを可能にした。
論文 参考訳（メタデータ） (2023-01-27T01:00:39Z) - DeePhy: On Deepfake Phylogeny [58.01631614114075]
DeePhyは、新しいDeepfake Phylogenyデータセットである。
6つのディープフェイク検出アルゴリズムを用いて,DeePhyデータセットのベンチマークを示す。
論文 参考訳（メタデータ） (2022-09-19T15:30:33Z) - CMUA-Watermark: A Cross-Model Universal Adversarial Watermark for
Combating Deepfakes [74.18502861399591]
ディープフェイクの悪意ある応用(すなわち、テクノロジーはターゲットの顔や顔の特徴を生成できる)は、我々の社会に大きな脅威をもたらしている。
本稿では,深層圏モデルに対する普遍的敵攻撃法を提案し,CMUA-Watermark(CMUA-Watermark)を作成した。
実験の結果,提案したCMUA-Watermarkはディープフェイクモデルによって生成された偽の顔画像を効果的に歪めることができることがわかった。
論文 参考訳（メタデータ） (2021-05-23T07:28:36Z) - Detecting Deepfake Videos Using Euler Video Magnification [1.8506048493564673]
Deepfakeのビデオは、高度な機械学習技術を使ってビデオを操作している。
本稿では,ディープフェイク映像の識別技術について検討する。
提案手法では,Euler手法から抽出した特徴を用いて,偽造映像と未修正映像を分類する3つのモデルを訓練する。
論文 参考訳（メタデータ） (2021-01-27T17:37:23Z) - WildDeepfake: A Challenging Real-World Dataset for Deepfake Detection [82.42495493102805]
我々は,インターネットから完全に収集された707のディープフェイクビデオから抽出された7,314の顔シーケンスからなる新しいデータセットWildDeepfakeを紹介した。
既存のWildDeepfakeデータセットと我々のWildDeepfakeデータセットのベースライン検出ネットワークを体系的に評価し、WildDeepfakeが実際により困難なデータセットであることを示す。
論文 参考訳（メタデータ） (2021-01-05T11:10:32Z) - Deepfake Video Forensics based on Transfer Learning [0.0]
ディープフェイク」は、人間が本物のものと区別できない偽のイメージやビデオを作ることができる。
本稿では,各ディープフェイク映像フレームの特徴を把握するために,画像分類モデルを再学習する方法について述べる。
Deepfakeのビデオをチェックすると、87%以上の精度が得られた。
論文 参考訳（メタデータ） (2020-04-29T13:21:28Z)
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。