論文の概要: Identity-Driven DeepFake Detection
- arxiv url: http://arxiv.org/abs/2012.03930v1
- Date: Mon, 7 Dec 2020 18:59:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 21:21:01.161349
- Title: Identity-Driven DeepFake Detection
- Title（参考訳）: アイデンティティ駆動型ディープフェイク検出
- Authors: Xiaoyi Dong and Jianmin Bao and Dongdong Chen and Weiming Zhang and
Nenghai Yu and Dong Chen and Fang Wen and Baining Guo
- Abstract要約: アイデンティティ駆動のDeepFake Detectionは、被疑者画像/ビデオとターゲットのアイデンティティ情報を入力する。
被疑者画像・映像の同一性は対象人物と同一かという判断を出力する。
本稿では,新たな研究のベースラインとして,簡単な識別ベース検出アルゴリズムであるouterfaceを提案する。
- 参考スコア（独自算出の注目度）: 91.0504621868628
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: DeepFake detection has so far been dominated by ``artifact-driven'' methods
and the detection performance significantly degrades when either the type of
image artifacts is unknown or the artifacts are simply too hard to find. In
this work, we present an alternative approach: Identity-Driven DeepFake
Detection. Our approach takes as input the suspect image/video as well as the
target identity information (a reference image or video). We output a decision
on whether the identity in the suspect image/video is the same as the target
identity. Our motivation is to prevent the most common and harmful DeepFakes
that spread false information of a targeted person. The identity-based approach
is fundamentally different in that it does not attempt to detect image
artifacts. Instead, it focuses on whether the identity in the suspect
image/video is true. To facilitate research on identity-based detection, we
present a new large scale dataset ``Vox-DeepFake", in which each suspect
content is associated with multiple reference images collected from videos of a
target identity. We also present a simple identity-based detection algorithm
called the OuterFace, which may serve as a baseline for further research. Even
trained without fake videos, the OuterFace algorithm achieves superior
detection accuracy and generalizes well to different DeepFake methods, and is
robust with respect to video degradation techniques -- a performance not
achievable with existing detection algorithms.
- Abstract（参考訳）: DeepFake検出はこれまでのところ‘artifact-driven’メソッドで支配されており、画像アーティファクトの種類が不明であるか、アーティファクトを見つけるのが難しい場合、検出性能は著しく低下する。
本研究では,アイデンティティ駆動型DeepFake Detectionという別の手法を提案する。
提案手法は,被疑者画像/映像の入力と,対象人物情報(参照画像またはビデオ)の入力を行う。
被疑者画像・映像の同一性は対象人物と同一かという判断を出力する。
私たちのモチベーションは、ターゲットの人の偽情報を拡散する最も一般的で有害なDeepFakeを防ぐことです。
アイデンティティベースのアプローチは、画像アーティファクトの検出を試みないという点で、根本的に異なる。
代わりに、容疑者の画像/ビデオの身元が正しいかどうかに焦点が当てられている。
同一性に基づく検出の研究を容易にするために,対象のアイデンティティの動画から収集した複数の参照画像に疑似コンテンツが関連付けられている大規模データセット ``Vox-DeepFake" を提案する。
また、さらに研究のベースラインとして機能する、OuterFaceと呼ばれる単純なIDベースの検出アルゴリズムも提案する。
偽ビデオなしで訓練されたとしても、OuterFaceアルゴリズムは優れた検出精度を達成し、異なるDeepFakeメソッドによく対応し、ビデオ劣化技術(既存の検出アルゴリズムでは達成できないパフォーマンス)に対して堅牢である。
関連論文リスト
- In Anticipation of Perfect Deepfake: Identity-anchored Artifact-agnostic Detection under Rebalanced Deepfake Detection Protocol [20.667392938528987]
本研究では,バランスの取れたシナリオ下でのストレステスト検出にRDDP(Re Balanced Deepfake Detection Protocol)を導入する。
ID-Minerは,人工物や外観の動作に焦点をあてることで,変装の背後にある人形を識別する検出器である。
論文 参考訳（メタデータ） (2024-05-01T12:48:13Z) - 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) - Improving Cross-dataset Deepfake Detection with Deep Information
Decomposition [57.284370468207214]
ディープフェイク技術は、セキュリティと社会的信頼に重大な脅威をもたらす。
既存の検出方法は、クロスデータセットのシナリオに直面した場合、パフォーマンスの急激な低下に悩まされる。
本稿では,深層情報分解(DID)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-30T12:30:25Z) - Diff-ID: An Explainable Identity Difference Quantification Framework for
DeepFake Detection [41.03606237571299]
Diff-IDは、顔の操作によって引き起こされるアイデンティティ損失を説明・測定する、簡潔で効果的なアプローチである。
特定の人物の画像をテストする際、Diff-IDはその人物の真正像を参照として利用し、同一のアイデンティティ非感受性特性特徴空間にアライメントする。
次に、一致したペアのイメージ差から、テストと参照イメージ間のアイデンティティ損失を可視化し、そのID損失を定量化するためのカスタムメトリックを設計する。
論文 参考訳（メタデータ） (2023-03-30T10:10:20Z) - Audio-Visual Person-of-Interest DeepFake Detection [77.04789677645682]
本研究の目的は、現実世界で遭遇する様々な操作方法やシナリオに対処できるディープフェイク検出器を提案することである。
我々は、対照的な学習パラダイムを活用して、各アイデンティティに対して最も識別しやすい、移動面と音声セグメントの埋め込みを学習する。
本手法は,シングルモダリティ(オーディオのみ,ビデオのみ)とマルチモダリティ(オーディオビデオ)の両方を検出でき,低品質・低画質ビデオに対して堅牢である。
論文 参考訳（メタデータ） (2022-04-06T20:51:40Z) - Voice-Face Homogeneity Tells Deepfake [56.334968246631725]
既存の検出アプローチは、ディープフェイクビデオにおける特定のアーティファクトの探索に寄与する。
未探索の音声-顔のマッチングビューからディープフェイク検出を行う。
我々のモデルは、他の最先端の競合と比較して、大幅に性能が向上する。
論文 参考訳（メタデータ） (2022-03-04T09:08:50Z) - DeepFake Detection with Inconsistent Head Poses: Reproducibility and
Analysis [0.0]
本稿では,ヘッドポーズ推定に基づく既存のDeepFake検出手法について分析する。
以上の結果から,DeepFake検出のためのアートパフォーマンスに対する現在の文献の認識を正すことができた。
論文 参考訳（メタデータ） (2021-08-28T22:56:09Z) - Understanding the Security of Deepfake Detection [23.118012417901078]
本研究では,最先端のディープフェイク検出手法の対向的設定における安全性について検討する。
FaceForensics++やFacebook Deepfake Detection Challengeなど、大規模な公開ディープフェイクデータソースを2つ使用しています。
本研究は, 対戦環境におけるディープフェイク検出手法のセキュリティ上の制約を明らかにした。
論文 参考訳（メタデータ） (2021-07-05T14:18:21Z) - Where Do Deep Fakes Look? Synthetic Face Detection via Gaze Tracking [8.473714899301601]
ディープフェイクと異なる目と視線の特徴をいくつか提案する。
次に、これらの機能をシグネチャにコンパイルし、リアルビデオとフェイクビデオの機能を分析および比較します。
第3に,この公式をディープニューラルネットワークによるディープフェイク検出問題に一般化する。
論文 参考訳（メタデータ） (2021-01-04T18:54:46Z) - What makes fake images detectable? Understanding properties that
generalize [55.4211069143719]
深層ネットワークは、博士画像の微妙なアーティファクトを拾い上げることができる。
我々は、偽画像のどの特性が検出可能かを理解することを模索する。
検出可能な特性を誇張する手法を示す。
論文 参考訳（メタデータ） (2020-08-24T17:50:28Z)
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。