論文の概要: DeepFakes: Detecting Forged and Synthetic Media Content Using Machine
Learning
- arxiv url: http://arxiv.org/abs/2109.02874v1
- Date: Tue, 7 Sep 2021 05:19:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-08 14:28:59.419408
- Title: DeepFakes: Detecting Forged and Synthetic Media Content Using Machine
Learning
- Title(参考訳): DeepFakes: 機械学習による偽造・合成メディアコンテンツの検出
- Authors: Sm Zobaed, Md Fazle Rabby, Md Istiaq Hossain, Ekram Hossain, Sazib
Hasan, Asif Karim, Khan Md. Hasib
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 18.623444153774948
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid advancement in deep learning makes the differentiation of authentic
and manipulated facial images and video clips unprecedentedly harder. The
underlying technology of manipulating facial appearances through deep
generative approaches, enunciated as DeepFake that have emerged recently by
promoting a vast number of malicious face manipulation applications.
Subsequently, the need of other sort of techniques that can assess the
integrity of digital visual content is indisputable to reduce the impact of the
creations of DeepFake. A large body of research that are performed on DeepFake
creation and detection create a scope of pushing each other beyond the current
status. This study presents challenges, research trends, and directions related
to DeepFake creation and detection techniques by reviewing the notable research
in the DeepFake domain to facilitate the development of more robust approaches
that could deal with the more advance DeepFake in the future.
- Abstract(参考訳): ディープラーニングの急速な進歩は、本物の顔画像とビデオクリップの区別を前例のないほど難しくする。
ディープフェイク(DeepFake)は、多数の悪意ある顔操作アプリケーションを宣伝することによって、最近登場した。
その後、デジタルビジュアルコンテンツの完全性を評価する他の手法の必要性は、DeepFakeの作成の影響を減らすには不確実である。
ディープフェイクの作成と検出を行う大規模な研究は、お互いを現在の状態を超えて押し合うスコープを生み出します。
本研究は,DeepFakeの創出・発見技術に関する課題,研究動向,方向性について,DeepFakeドメインの注目すべき研究をレビューし,今後より進んだDeepFakeに対処可能な,より堅牢なアプローチの開発を促進する。
関連論文リスト
- 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) - 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) - Using Deep Learning to Detecting Deepfakes [0.0]
ディープフェイク(Deepfakes)とは、ある人物の顔を別のコンピュータが生成した顔に置き換えるビデオまたは画像である。
このオンライン脅威に対抗するために、研究者たちはディープフェイクを検出するモデルを開発した。
本研究では、ディープラーニングアルゴリズムを用いて、この略奪的な脅威に対処する様々なディープフェイク検出モデルについて検討する。
論文 参考訳(メタデータ) (2022-07-27T17:05:16Z) - Restricted Black-box Adversarial Attack Against DeepFake Face Swapping [70.82017781235535]
本稿では,顔画像偽造モデルに対する問い合わせを一切必要としない現実的な敵攻撃を提案する。
本手法は,顔の再構成を行う代用モデルに基づいて構築され,置換モデルから非アクセス可能なブラックボックスDeepFakeモデルへの逆例を直接転送する。
論文 参考訳(メタデータ) (2022-04-26T14:36:06Z) - Robust Deepfake On Unrestricted Media: Generation And Detection [46.576556314444865]
近年のディープラーニングの進歩は、ディープフェイク生成の大幅な改善につながっている。
この章では、ディープフェイクの生成と検出の進化と課題について論じる。
論文 参考訳(メタデータ) (2022-02-13T06:53:39Z) - 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) - Towards Generalizable and Robust Face Manipulation Detection via
Bag-of-local-feature [55.47546606878931]
そこで本稿では,局所的特徴の一般化能力とロバスト性を向上する顔の操作検出手法を提案する。
具体的には、パッチ間関係をエンコードするためにbag-of-featureアプローチを使ってトランスフォーマーを拡張し、明示的な監督なしにローカルな偽造機能を学ぶことができる。
論文 参考訳(メタデータ) (2021-03-14T12:50:48Z) - DeepFake-o-meter: An Open Platform for DeepFake Detection [36.62547135445819]
DeepFake-o-meterと呼ばれるオープンソースのオンラインプラットフォームを開発し、最新のDeepFake検出方法を統合します。
本稿では,DeepFake-o-meterの設計と機能について述べる。
論文 参考訳(メタデータ) (2021-03-02T20:45:33Z) - 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) - Artificial Fingerprinting for Generative Models: Rooting Deepfake
Attribution in Training Data [64.65952078807086]
光現実性画像生成は、GAN(Generative Adversarial Network)のブレークスルーにより、新たな品質レベルに達した。
しかし、このようなディープフェイクのダークサイド、すなわち生成されたメディアの悪意ある使用は、視覚的誤報に関する懸念を提起する。
我々は,モデルに人工指紋を導入することによって,深度検出の積極的な,持続可能なソリューションを模索する。
論文 参考訳(メタデータ) (2020-07-16T16:49:55Z) - DeepRhythm: Exposing DeepFakes with Attentional Visual Heartbeat Rhythms [28.470194397110607]
心拍リズムのモニタリングによりディープフェイクを検出するディープフェイク検出手法であるディープリズムを提案する。
本研究では、心拍リズムのモニタリングによりDeepFakeを検出するDeepRhythmを提案する。
論文 参考訳(メタデータ) (2020-06-13T12:56:46Z)
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。