論文の概要: A New Approach to Improve Learning-based Deepfake Detection in Realistic Conditions

• arxiv url: http://arxiv.org/abs/2203.11807v1
• Date: Tue, 22 Mar 2022 15:16:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-23 15:18:43.163407
• Title: A New Approach to Improve Learning-based Deepfake Detection in Realistic Conditions
• Title（参考訳）: 現実的条件下での学習型ディープフェイク検出のための新しいアプローチ
• Authors: Yuhang Lu, Touradj Ebrahimi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 13.334500258498798
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep convolutional neural networks have achieved exceptional results on multiple detection and recognition tasks. However, the performance of such detectors are often evaluated in public benchmarks under constrained and non-realistic situations. The impact of conventional distortions and processing operations found in imaging workflows such as compression, noise, and enhancement are not sufficiently studied. Currently, only a few researches have been done to improve the detector robustness to unseen perturbations. This paper proposes a more effective data augmentation scheme based on real-world image degradation process. This novel technique is deployed for deepfake detection tasks and has been evaluated by a more realistic assessment framework. Extensive experiments show that the proposed data augmentation scheme improves generalization ability to unpredictable data distortions and unseen datasets.
• Abstract（参考訳）: 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。 しかし、そのような検出器の性能は、制約のある非現実的な状況下での公開ベンチマークでしばしば評価される。 圧縮,ノイズ,エンハンスメントなどの画像ワークフローにおけ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。 現在、検出器のロバスト性を改善するためのいくつかの研究しか行われていない。 本稿では,実世界の画像劣化過程に基づくより効率的なデータ拡張手法を提案する。 この手法はディープフェイク検出タスクに応用され,より現実的な評価フレームワークによって評価されている。 広範な実験により,提案手法は予測不能なデータ歪みや見当たらないデータセットに対する一般化能力を向上させることが示された。

関連論文リスト

• 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)
• Self-Supervised Graph Transformer for Deepfake Detection [1.8133635752982105]
  ディープフェイク検出手法は、与えられたデータセット内の偽造を認識できる有望な結果を示している。 ディープフェイク検出システムは、一般的な検出性能を保証するために、偽造タイプ、外観、品質に欠かせないままでいなければならない。 本研究では、自己教師付き事前学習モデルを利用して、例外的な一般化能力を実現するディープフェイク検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-27T17:22:41Z)
• 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)
• 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)
• Deep Convolutional Pooling Transformer for Deepfake Detection [54.10864860009834]
  本研究では,局所的・グローバル的に決定的な画像特徴を取り入れた深部畳み込み変換器を提案する。 具体的には,抽出した特徴を充実させ,有効性を高めるために,畳み込みプーリングと再アテンションを適用した。 提案手法は、内部実験と相互データセット実験の両方において、最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2022-09-12T15:05:41Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• 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)
• Impact of Benign Modifications on Discriminative Performance of Deepfake Detectors [11.881119750753648]
  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。
  論文  参考訳（メタデータ） (2021-11-14T22:50:39Z)
• Semantic Perturbations with Normalizing Flows for Improved Generalization [62.998818375912506]
  我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。 トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-08-18T03:20:00Z)
• On the Practicality of Deterministic Epistemic Uncertainty [106.06571981780591]
  決定論的不確実性法(DUM)は,分布外データの検出において高い性能を達成する。 DUMが十分に校正されており、現実のアプリケーションにシームレスにスケールできるかどうかは不明だ。
  論文  参考訳（メタデータ） (2021-07-01T17:59:07Z)
• Residual Error: a New Performance Measure for Adversarial Robustness [85.0371352689919]
  ディープラーニングの広く普及を制限する大きな課題は、敵の攻撃に対する脆弱さである。 本研究は,ディープニューラルネットワークの対角強靭性を評価するための新しい性能尺度である残留誤差の概念を提示する。 画像分類を用いた実験結果から,提案手法の有効性と有効性を示した。
  論文  参考訳（メタデータ） (2021-06-18T16:34:23Z)

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。