論文の概要: FakeBuster: A DeepFakes Detection Tool for Video Conferencing Scenarios

• arxiv url: http://arxiv.org/abs/2101.03321v1
• Date: Sat, 9 Jan 2021 09:06:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-09 07:23:10.848001
• Title: FakeBuster: A DeepFakes Detection Tool for Video Conferencing Scenarios
• Title（参考訳）: FakeBuster:ビデオ会議シナリオのためのDeepFakes検出ツール
• Authors: Vineet Mehta, Parul Gupta, Ramanathan Subramanian, and Abhinav Dhall
• Abstract要約: 本稿では,ソーシャルメディア上での映像会議および顔操作におけるインポスタ検出のための新しいDeepFake検出器FakeBusterを提案する。 FakeBusterはスタンドアロンのディープラーニングベースのソリューションで、ビデオ会議ベースのミーティング中に他の人のビデオが操作またはスプーフィングされているかどうかをユーザーが検出できます。
• 参考スコア（独自算出の注目度）: 9.10316289334594
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a new DeepFake detector FakeBuster for detecting impostors during video conferencing and manipulated faces on social media. FakeBuster is a standalone deep learning based solution, which enables a user to detect if another person's video is manipulated or spoofed during a video conferencing based meeting. This tool is independent of video conferencing solutions and has been tested with Zoom and Skype applications. It uses a 3D convolutional neural network for predicting video segment-wise fakeness scores. The network is trained on a combination of datasets such as Deeperforensics, DFDC, VoxCeleb, and deepfake videos created using locally captured (for video conferencing scenarios) images. This leads to different environments and perturbations in the dataset, which improves the generalization of the deepfake network.
• Abstract（参考訳）: 本稿では,ソーシャルメディア上での映像会議および顔操作におけるインポスタ検出のための新しいDeepFake検出器FakeBusterを提案する。 FakeBusterはスタンドアロンのディープラーニングベースのソリューションで、ビデオ会議ベースのミーティング中に、他人のビデオが操作されるか、偽造されるかを検出することができる。 このツールはビデオ会議ソリューションとは独立しており、ZoomやSkypeアプリケーションでテストされている。 3D畳み込みニューラルネットワークを使用して、ビデオセグメントワイドのフェイクネススコアを予測する。 ネットワークは、deepforensics、dfdc、voxceleb、deepfake videoなどのデータセットの組み合わせでトレーニングされ、ローカルにキャプチャされた(ビデオ会議シナリオのための)イメージを使って作成された。 これによりデータセットのさまざまな環境や摂動が発生し、ディープフェイクネットワークの一般化が向上する。

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)
• Vulnerability of Automatic Identity Recognition to Audio-Visual Deepfakes [13.042731289687918]
  本稿では, ディープフェイクSWAN-DFの音声・映像データベースとして初めて, 唇と音声をよく同期させる手法を提案する。 我々は,SpeechBrainのECAPA-TDNNモデルなど,アート話者認識システムの脆弱性を実証する。
  論文  参考訳（メタデータ） (2023-11-29T14:18:04Z)
• AVTENet: Audio-Visual Transformer-based Ensemble Network Exploiting Multiple Experts for Video Deepfake Detection [53.448283629898214]
  近年の超現実的なディープフェイクビデオの普及は、オーディオと視覚の偽造の脅威に注意を向けている。 AI生成のフェイクビデオの検出に関するこれまでのほとんどの研究は、視覚的モダリティまたはオーディオ的モダリティのみを使用していた。 音響操作と視覚操作の両方を考慮したAVTENet(Audio-Visual Transformer-based Ensemble Network)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-19T19:01:26Z)
• FTFDNet: Learning to Detect Talking Face Video Manipulation with Tri-Modality Interaction [9.780101247514366]
  特に唇領域では、フェイク音声映像の光学的流れが乱れている。 より情報的な特徴を発見するために,新しい音声視覚アテンション機構 (AVAM) を提案する。 提案したFTFDNetは、他の最先端のDeepFakeビデオ検出方法よりも優れた検出性能を実現することができる。
  論文  参考訳（メタデータ） (2023-07-08T14:45:16Z)
• DeFakePro: Decentralized DeepFake Attacks Detection using ENF Authentication [66.2466055910145]
  DeFakeProは、オンラインビデオ会議ツールにおけるコンセンサスメカニズムに基づくDeepfake検出技術である。 ENF信号のゆらぎの類似性は、PoENFアルゴリズムを用いて、会議ツールで放送されたメディアを認証する。
  論文  参考訳（メタデータ） (2022-07-22T01:22:11Z)
• 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)
• Evaluation of an Audio-Video Multimodal Deepfake Dataset using Unimodal and Multimodal Detectors [18.862258543488355]
  ディープフェイクはセキュリティとプライバシーの問題を引き起こす可能性がある。 ディープラーニング技術を使って人間の声をクローンする新しい領域も登場しつつある。 優れたディープフェイク検出器を開発するには、複数のモードのディープフェイクを検出する検出器が必要である。
  論文  参考訳（メタデータ） (2021-09-07T11:00:20Z)
• 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)
• Sharp Multiple Instance Learning for DeepFake Video Detection [54.12548421282696]
  我々はDeepFakeビデオに、ビデオレベルのラベルのみを提供するが、フェイクビデオのすべての顔が操作されるわけではない部分的な顔攻撃という新しい問題を導入する。 インスタンス埋め込みからバッグ予測への直接マッピングを構築する鋭いMIL(S-MIL)を提案する。 FFPMSと広く使われているDFDCデータセットの実験により、S-MILは部分的に攻撃されたDeepFakeビデオ検出において他の手法よりも優れていることが確認された。
  論文  参考訳（メタデータ） (2020-08-11T08:52:17Z)
• The DeepFake Detection Challenge (DFDC) Dataset [8.451007921188019]
  Deepfakesは、誰でも一つのビデオで2つのIDを交換できるテクニックだ。 この新たな脅威に対処するため、私たちは非常に大きな顔スワップビデオデータセットを構築しました。 記録されたすべての被験者は、顔障害者データセットの構築中にその類似性を変更し、参加することに同意した。
  論文  参考訳（メタデータ） (2020-06-12T18:15:55Z)

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。