論文の概要: DeepFake Detection with Inconsistent Head Poses: Reproducibility and Analysis

• arxiv url: http://arxiv.org/abs/2108.12715v1
• Date: Sat, 28 Aug 2021 22:56:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-31 14:41:58.617057
• Title: DeepFake Detection with Inconsistent Head Poses: Reproducibility and Analysis
• Title（参考訳）: 不整合性頭部電位によるDeepFake検出:再現性と解析
• Authors: Kevin Lutz and Robert Bassett
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Applications of deep learning to synthetic media generation allow the creation of convincing forgeries, called DeepFakes, with limited technical expertise. DeepFake detection is an increasingly active research area. In this paper, we analyze an existing DeepFake detection technique based on head pose estimation, which can be applied when fake images are generated with an autoencoder-based face swap. Existing literature suggests that this method is an effective DeepFake detector, and its motivating principles are attractively simple. With an eye towards using these principles to develop new DeepFake detectors, we conduct a reproducibility study of the existing method. We conclude that its merits are dramatically overstated, despite its celebrated status. By investigating this discrepancy we uncover a number of important and generalizable insights related to facial landmark detection, identity-agnostic head pose estimation, and algorithmic bias in DeepFake detectors. Our results correct the current literature's perception of state of the art performance for DeepFake detection.
• Abstract（参考訳）: ディープラーニングの合成メディア生成への応用により、DeepFakesと呼ばれる説得力のある偽造物を作ることができる。 DeepFake検出は、ますます活発な研究分野である。 本稿では,自動エンコーダベースの顔スワップを用いて偽画像を生成する場合に適用可能な頭部位置推定に基づく既存のディープフェイク検出手法を分析する。 既存の文献では、この手法は有効なDeepFake検出器であり、その動機付け原理は魅力的に単純である。 これらの原理を新しいDeepFake検出器の開発に活用することを目的として,本手法の再現性の検討を行った。 我々は、その名声にもかかわらず、そのメリットは劇的に誇張されていると結論づける。 この差異を調べることで、deepfake検出器における顔のランドマーク検出、アイデンティティ非依存な頭部ポーズ推定、アルゴリズムバイアスに関する、多くの重要かつ一般化された洞察を明らかにする。 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。

関連論文リスト

• DiffusionFake: Enhancing Generalization in Deepfake Detection via Guided Stable Diffusion [94.46904504076124]
  ディープフェイク技術は、顔交換を極めて現実的にし、偽造された顔コンテンツの使用に対する懸念を高めている。 既存の方法は、顔操作の多様な性質のため、目に見えない領域に一般化するのに苦労することが多い。 顔偽造者の生成過程を逆転させて検出モデルの一般化を促進する新しいフレームワークであるDiffusionFakeを紹介する。
  論文  参考訳（メタデータ） (2024-10-06T06:22:43Z)
• Deep Learning Technology for Face Forgery Detection: A Survey [17.519617618071003]
  ディープラーニングにより、高忠実度顔画像やビデオの作成や操作が可能になった。 この技術はディープフェイクとしても知られ、劇的な進歩を遂げ、ソーシャルメディアで人気を博している。 ディープフェイクのリスクを低減するため、強力な偽造検出方法を開発することが望ましい。
  論文  参考訳（メタデータ） (2024-09-22T01:42:01Z)
• Active Fake: DeepFake Camouflage [11.976015496109525]
  Face-Swap DeepFakeは、オリジナルの顔と合成顔とを交換することで振舞いを作る。 既存の法医学的手法は、主にディープニューラルネットワーク(DNN)に基づいており、これらの操作を効果的に公開し、重要な認証指標となっている。 混合不整合を発生し,不感,有効性,伝達性を確保したDeepFakeカモフラージュを作成するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-05T02:46:36Z)
• Semantics-Oriented Multitask Learning for DeepFake Detection: A Joint Embedding Approach [77.65459419417533]
  本稿ではセマンティクス指向のDeepFake検出タスクをサポートするための自動データセット拡張手法を提案する。 また,顔画像とそれに対応するラベルを併用して予測を行う。 提案手法は,DeepFake検出の一般化性を向上し,人間の理解可能な説明を提供することで,ある程度のモデル解釈を行う。
  論文  参考訳（メタデータ） (2024-08-29T07:11:50Z)
• 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)
• GazeForensics: DeepFake Detection via Gaze-guided Spatial Inconsistency Learning [63.547321642941974]
  本稿では,3次元視線推定モデルから得られた視線表現を利用する,革新的なDeepFake検出手法であるGazeForensicsを紹介する。 実験の結果,提案したGazeForensicsは現在の最先端手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-13T04:48:33Z)
• CrossDF: Improving Cross-Domain Deepfake Detection with Deep Information Decomposition [53.860796916196634]
  クロスデータセットディープフェイク検出(CrossDF)の性能を高めるためのディープ情報分解(DID)フレームワークを提案する。 既存のディープフェイク検出方法とは異なり、我々のフレームワークは特定の視覚的アーティファクトよりも高いレベルのセマンティック特徴を優先する。 顔の特徴をディープフェイク関連情報と無関係情報に適応的に分解し、本質的なディープフェイク関連情報のみを用いてリアルタイム・フェイク識別を行う。
  論文  参考訳（メタデータ） (2023-09-30T12:30:25Z)
• DeepFakes: Detecting Forged and Synthetic Media Content Using Machine Learning [18.623444153774948]
  この研究は、DeepFakeの生成と検出技術に関連する課題、研究動向、方向性を提示する。 この研究は、DeepFakeドメインにおける注目すべき研究をレビューし、今後より進歩したDeepFakeに対応する、より堅牢なアプローチの開発を促進する。
  論文  参考訳（メタデータ） (2021-09-07T05:19:36Z)
• Countering Malicious DeepFakes: Survey, Battleground, and Horizon [17.153920019319603]
  DeepFakeと呼ばれる深い生成的アプローチによる顔の外観の作成と操作は、大きな進歩を遂げました。 この新しい技術の邪悪な側面は、別の一般的な研究、すなわち本物のものから偽の顔を識別することを目的としたDeepFake検出を提示します。 コミュニティにおけるDeepFake関連の研究の急速な発展に伴い、双方(すなわちDeepFakeの生成と検出)は戦場の関係を形成している。
  論文  参考訳（メタデータ） (2021-02-27T13:48:54Z)
• Identity-Driven DeepFake Detection [91.0504621868628]
  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。
  論文  参考訳（メタデータ） (2020-12-07T18:59:08Z)

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。