論文の概要: Representative Forgery Mining for Fake Face Detection
- arxiv url: http://arxiv.org/abs/2104.06609v1
- Date: Wed, 14 Apr 2021 03:24:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-15 13:19:55.492708
- Title: Representative Forgery Mining for Fake Face Detection
- Title（参考訳）: 偽顔検出のための代表的偽造マイニング
- Authors: Chengrui Wang, Weihong Deng
- Abstract要約: ディテクタの精緻化と注目の拡大を導くための注意ベースのデータ拡張フレームワークを提案します。
提案手法は,トップnのセンシティブな顔領域を追跡し,検出者に対して,以前無視された領域にさらに深く掘り下げて,より代表的な偽造を行うように促す。
- 参考スコア（独自算出の注目度）: 52.896286647898386
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although vanilla Convolutional Neural Network (CNN) based detectors can
achieve satisfactory performance on fake face detection, we observe that the
detectors tend to seek forgeries on a limited region of face, which reveals
that the detectors is short of understanding of forgery. Therefore, we propose
an attention-based data augmentation framework to guide detector refine and
enlarge its attention. Specifically, our method tracks and occludes the Top-N
sensitive facial regions, encouraging the detector to mine deeper into the
regions ignored before for more representative forgery. Especially, our method
is simple-to-use and can be easily integrated with various CNN models.
Extensive experiments show that the detector trained with our method is capable
to separately point out the representative forgery of fake faces generated by
different manipulation techniques, and our method enables a vanilla CNN-based
detector to achieve state-of-the-art performance without structure
modification.
- Abstract（参考訳）: バニラ畳み込みニューラルネットワーク(cnn)ベースの検出器は偽の顔検出において十分な性能を発揮することができるが、検出者は限られた顔領域で偽造を求める傾向があり、偽造の理解が不足していることが分かる。
そこで本研究では,検出器の改良と拡張のための注意に基づくデータ拡張フレームワークを提案する。
特に,本手法はトップnに敏感な顔領域を追跡し,検出者に対して,以前無視された領域にさらに深く侵入し,より代表的な偽造を行うよう促すものである。
特に,本手法は使いやすく,様々なCNNモデルと容易に統合できる。
広範な実験により, 異なる操作技術によって生成される偽顔の代表的偽造を別々に指摘することが可能であり, また, バニラcnnベースの検出装置では, 構造変更を伴わずに最先端の性能を実現することができることを示した。
関連論文リスト
- UniForensics: Face Forgery Detection via General Facial Representation [60.5421627990707]
高レベルの意味的特徴は摂動の影響を受けにくく、フォージェリー固有の人工物に限らないため、より強い一般化がある。
我々は、トランスフォーマーベースのビデオネットワークを活用する新しいディープフェイク検出フレームワークUniForensicsを導入し、顔の豊かな表現のためのメタファンクショナルな顔分類を行う。
論文 参考訳（メタデータ） (2024-07-26T20:51:54Z) - Learning Expressive And Generalizable Motion Features For Face Forgery
Detection [52.54404879581527]
本稿では,既存のビデオ分類手法に基づく,シーケンスに基づく効果的な偽造検出フレームワークを提案する。
動作特徴をより表現しやすくするために,別の動作整合ブロックを提案する。
一般的なビデオ分類ネットワークを3つの顔偽造データに対して有望な結果を達成する。
論文 参考訳（メタデータ） (2024-03-08T09:25:48Z) - Facial Forgery-based Deepfake Detection using Fine-Grained Features [7.378937711027777]
ディープフェイクによる顔の偽造は、大きなセキュリティリスクを引き起こし、深刻な社会的懸念を引き起こしている。
我々は,詳細な分類問題としてディープフェイク検出を定式化し,それに対する新たなきめ細かな解を提案する。
本手法は, 背景雑音を効果的に抑制し, 様々なスケールの識別特徴を学習することにより, 微妙で一般化可能な特徴を学習し, 深度検出を行う。
論文 参考訳（メタデータ） (2023-10-10T21:30:05Z) - Attention Consistency Refined Masked Frequency Forgery Representation
for Generalizing Face Forgery Detection [96.539862328788]
既存の偽造検出方法は、未確認領域の真正性を決定する不満足な一般化能力に悩まされている。
ACMF(Attention Consistency Refined masked frequency forgery representation model)を提案する。
いくつかのパブリックフェイスフォージェリーデータセットの実験結果から,提案手法の性能は最先端の手法と比較して優れていることが示された。
論文 参考訳（メタデータ） (2023-07-21T08:58:49Z) - Detect Any Deepfakes: Segment Anything Meets Face Forgery Detection and
Localization [30.317619885984005]
本稿では,視覚的セグメンテーション基盤モデル,すなわちセグメンテーションモデル(SAM)をフォージェリ検出とローカライゼーションの対面に導入する。
SAMに基づいて,Multiscale Adapterを用いたDADFフレームワークを提案する。
提案するフレームワークは、エンドツーエンドのフォージェリーローカライゼーションと検出最適化をシームレスに統合する。
論文 参考訳（メタデータ） (2023-06-29T16:25:04Z) - SeeABLE: Soft Discrepancies and Bounded Contrastive Learning for
Exposing Deepfakes [7.553507857251396]
本研究では,検出問題を(一級)アウト・オブ・ディストリビューション検出タスクとして形式化する,SeeABLEと呼ばれる新しいディープフェイク検出器を提案する。
SeeABLEは、新しい回帰ベースの有界コントラスト損失を使用して、乱れた顔を事前定義されたプロトタイプにプッシュする。
我々のモデルは競合する最先端の検出器よりも高い性能を示しながら、高度に一般化能力を示す。
論文 参考訳（メタデータ） (2022-11-21T09:38:30Z) - Cross-Domain Local Characteristic Enhanced Deepfake Video Detection [18.430287055542315]
ディープフェイク検出はセキュリティ上の懸念から注目を集めている。
多くの検出器は、目に見えない操作を検出する際に正確な結果を得ることができない。
そこで我々は,より一般的なディープフェイクビデオ検出のための新しいパイプラインであるクロスドメインローカルフォレスティクスを提案する。
論文 参考訳（メタデータ） (2022-11-07T07:44:09Z) - 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) - VideoForensicsHQ: Detecting High-quality Manipulated Face Videos [77.60295082172098]
偽造検知器の性能は、人間の目で見られる人工物の存在にどのように依存するかを示す。
前例のない品質の顔ビデオ偽造検出のための新しいベンチマークデータセットを導入する。
論文 参考訳（メタデータ） (2020-05-20T21:17:43Z)
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。