論文の概要: Impact of Benign Modifications on Discriminative Performance of Deepfake Detectors

• arxiv url: http://arxiv.org/abs/2111.07468v1
• Date: Sun, 14 Nov 2021 22:50:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-16 16:17:31.527096
• Title: Impact of Benign Modifications on Discriminative Performance of Deepfake Detectors
• Title（参考訳）: ディープフェイク検出器の識別性能に及ぼす良性修飾の影響
• Authors: Yuhang Lu, Evgeniy Upenik, Touradj Ebrahimi
• Abstract要約: このような内容を特定するために、近年、多くのディープフェイク検出器が提案されている。 ディープフェイクは、エンターテイメントのような忠実なアプリケーションと、画像やビデオの偽造のような悪意ある意図された操作の両方で人気がある。 本稿では,より現実的な状況下でのディープフェイク検出器の性能を評価するための,より厳密で体系的な枠組みを提案する。
• 参考スコア（独自算出の注目度）: 11.881119750753648
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deepfakes are becoming increasingly popular in both good faith applications such as in entertainment and maliciously intended manipulations such as in image and video forgery. Primarily motivated by the latter, a large number of deepfake detectors have been proposed recently in order to identify such content. While the performance of such detectors still need further improvements, they are often assessed in simple if not trivial scenarios. In particular, the impact of benign processing operations such as transcoding, denoising, resizing and enhancement are not sufficiently studied. This paper proposes a more rigorous and systematic framework to assess the performance of deepfake detectors in more realistic situations. It quantitatively measures how and to which extent each benign processing approach impacts a state-of-the-art deepfake detection method. By illustrating it in a popular deepfake detector, our benchmark proposes a framework to assess robustness of detectors and provides valuable insights to design more efficient deepfake detectors.
• Abstract（参考訳）: ディープフェイクはエンタテインメントや画像やビデオの偽造といった悪意ある操作といった善意のアプリケーションで人気が高まっている。 主に後者に動機づけられた多くのディープフェイク検出器が近年、そのような内容を特定するために提案されている。 これらの検出器の性能はさらに改善される必要があるが、単純なシナリオで評価されることが多い。 特に、トランスコーディング、デノージング、リサイズ、エンハンスメントなどの良性処理操作の影響は十分に研究されていない。 本稿では,より現実的な状況下でのディープフェイク検出器の性能を評価するための,より厳密で体系的な枠組みを提案する。 それぞれの良性処理アプローチが最先端のディープフェイク検出方法に与える影響を定量的に測定する。 我々のベンチマークでは、人気のあるディープフェイク検出器を用いて、検出器のロバスト性を評価するためのフレームワークを提案し、より効率的なディープフェイク検出器の設計に有用な洞察を提供する。

関連論文リスト

• Leveraging Mixture of Experts for Improved Speech Deepfake Detection [53.69740463004446]
  スピーチのディープフェイクは、個人のセキュリティとコンテンツの信頼性に重大な脅威をもたらす。 本研究では,Mixture of Expertsアーキテクチャを用いた音声深度検出性能の向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-24T13:24:03Z)
• Transcending Forgery Specificity with Latent Space Augmentation for Generalizable Deepfake Detection [57.646582245834324]
  LSDAと呼ばれる簡易で効果的なディープフェイク検出器を提案する。 より多様な偽の表現は、より一般化可能な決定境界を学べるべきである。 提案手法は驚くほど有効であり, 広く使用されている複数のベンチマークで最先端の検出器を超越することを示す。
  論文  参考訳（メタデータ） (2023-11-19T09:41:10Z)
• 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)
• 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)
• 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)
• MMNet: Multi-Collaboration and Multi-Supervision Network for Sequential Deepfake Detection [81.59191603867586]
  シークエンシャルディープフェイク検出は、回復のための正しいシーケンスで偽の顔領域を特定することを目的としている。 偽画像の復元には、逆変換を実装するための操作モデルの知識が必要である。 顔画像の空間スケールや逐次順列化を扱うマルチコラボレーション・マルチスーパービジョンネットワーク(MMNet)を提案する。
  論文  参考訳（メタデータ） (2023-07-06T02:32:08Z)
• Assessment Framework for Deepfake Detection in Real-world Situations [13.334500258498798]
  ディープラーニングに基づくディープフェイク検出手法は優れた性能を示した。 様々な画像処理操作と典型的なワークフロー歪みが検出精度に与える影響は, 体系的に測定されていない。 より現実的な環境下での学習に基づくディープフェイク検出の性能を評価するために,より信頼性の高い評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-12T19:09:22Z)
• Impact of Video Processing Operations in Deepfake Detection [13.334500258498798]
  ビデオにおけるデジタル顔の操作は、公衆の信頼のリスクが増大したため、広く注目を集めている。 ディープラーニングに基づくディープフェイク検出法が開発され,優れた結果が得られた。 これらの検出器の性能は、現実世界の状況をほとんど反映しないベンチマークを用いて評価されることが多い。
  論文  参考訳（メタデータ） (2023-03-30T09:24:17Z)
• A New Approach to Improve Learning-based Deepfake Detection in Realistic Conditions [13.334500258498798]
  深層畳み込みニューラルネットワークは、複数の検出および認識タスクにおいて例外的な結果を得た。 圧縮, ノイズ, エンハンスメントなどの画像にみられる従来の歪みや処理操作の影響は十分に研究されていない。 本稿では,実世界の画像劣化プロセスに基づく,より効率的なデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2022-03-22T15:16:54Z)
• A Novel Framework for Assessment of Learning-based Detectors in Realistic Conditions with Application to Deepfake Detection [11.287342793740876]
  本稿では,より現実的な状況下での学習ベース検出器の性能を評価するための厳密な枠組みを提案する。 評価結果に触発されて、自然な画像劣化プロセスに基づくデータ拡張戦略を設計する。
  論文  参考訳（メタデータ） (2022-03-22T15:03:56Z)
• Representative Forgery Mining for Fake Face Detection [52.896286647898386]
  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。
  論文  参考訳（メタデータ） (2021-04-14T03:24:19Z)

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。