論文の概要: Exposing Deepfake Face Forgeries with Guided Residuals

• arxiv url: http://arxiv.org/abs/2205.00753v1
• Date: Mon, 2 May 2022 08:58:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-03 15:14:57.080280
• Title: Exposing Deepfake Face Forgeries with Guided Residuals
• Title（参考訳）: ガイド付き残像を用いたディープフェイクフェイスフォージェストの展示
• Authors: Zhiqing Guo, Gaobo Yang, Jiyou Chen and Xingming Sun
• Abstract要約: 本稿では,Deepfake が生成した顔画像を公開するためのガイド付き残差ネットワーク GRnet を提案する。 GRnetは、4つのパブリックフェイクフェイスデータセットにおける最先端の作業よりも優れたパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 9.892936175042939
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Residual-domain feature is very useful for Deepfake detection because it suppresses irrelevant content features and preserves key manipulation traces. However, inappropriate residual prediction will bring side effects on detection accuracy. In addition, residual-domain features are easily affected by image operations such as compression. Most existing works exploit either spatial-domain features or residual-domain features, while neglecting that two types of features are mutually correlated. In this paper, we propose a guided residuals network, namely GRnet, which fuses spatial-domain and residual-domain features in a mutually reinforcing way, to expose face images generated by Deepfake. Different from existing prediction based residual extraction methods, we propose a manipulation trace extractor (MTE) to directly remove the content features and preserve manipulation traces. MTE is a fine-grained method that can avoid the potential bias caused by inappropriate prediction. Moreover, an attention fusion mechanism (AFM) is designed to selectively emphasize feature channel maps and adaptively allocate the weights for two streams. The experimental results show that the proposed GRnet achieves better performances than the state-of-the-art works on four public fake face datasets including HFF, FaceForensics++, DFDC and Celeb-DF. Especially, GRnet achieves an average accuracy of 97.72% on the HFF dataset, which is at least 5.25% higher than the existing works.
• Abstract（参考訳）: 残留ドメイン機能は、関係のないコンテンツ機能を抑制し、キー操作トレースを保存するため、ディープフェイク検出に非常に有用である。 しかし、不適切な残差予測は検出精度に副作用をもたらす。 さらに、残差領域機能は圧縮などの画像操作によって簡単に影響を受ける。 既存のほとんどの研究は空間領域の特徴または残留領域の特徴を利用するが、2種類の特徴が相互に相関していることを無視している。 本稿では,Deepfake が生成した顔画像を明らかにするために,空間領域と残留領域の特徴を相互に融合したガイド付き残差ネットワーク GRnet を提案する。 既存の予測に基づく残差抽出法とは異なり,コンテンツ特徴を直接除去し,操作トレースを保存するマニピュレーショントレース抽出器(mte)を提案する。 MTEは、不適切な予測による潜在的なバイアスを避けるための、きめ細かい方法である。 さらに、特徴チャネルマップを選択的に強調し、2つのストリームの重みを適応的に割り当てるように注意融合機構(AFM)が設計されている。 実験結果から,提案するgrnetは,hff,faceforensics++,dfdc,celeb-dfを含む4つのパブリックフェイクフェースデータセットにおける最先端の成果よりも優れた性能を実現していることが示された。 特に、GRnetはHFFデータセットの平均精度97.72%に達し、これは既存の研究よりも少なくとも5.25%高い。

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)
• Artifact Feature Purification for Cross-domain Detection of AI-generated Images [38.18870936370117]
  既存の画像検出方法は、ドメイン外ジェネレータや画像シーンに直面すると、性能低下に悩まされる。 本稿では, 人工物抽出ネットワーク(APN)を提案し, 明示的で暗黙的な浄化プロセスを通じて生成した画像から人工物抽出を容易にする。 クロスジェネレータ検出では、APNの平均精度は、GenImageデータセットの以前の10メソッドよりも5.6% 16.4%高く、DiffusionForensicsデータセットの1.7% 50.1%である。
  論文  参考訳（メタデータ） (2024-03-17T11:17:06Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Exploiting Diffusion Prior for Generalizable Dense Prediction [85.4563592053464]
  近年のテキスト・トゥ・イメージ(T2I)拡散モデルでは、既成の高密度予測器では予測できないことがある。 我々は,事前学習したT2Iモデルを用いたパイプラインDMPを,高密度予測タスクの先駆けとして導入する。 限られたドメインのトレーニングデータにもかかわらず、この手法は任意の画像に対して忠実に推定し、既存の最先端のアルゴリズムを超越する。
  論文  参考訳（メタデータ） (2023-11-30T18:59:44Z)
• Cross-domain Robust Deepfake Bias Expansion Network for Face Forgery Detection [4.269822517578155]
  本稿では,顔偽造検出を強化するために,クロスドメインロバストバイアス拡張ネットワーク(BENet)を導入する。 BENetは、入力顔の再構成にオートエンコーダを使用し、実際の顔の不変性を維持しつつ、再構成された偽顔と元の顔との差を選択的に強化する。 さらに、BENetは、サンプルが既知の分布に属するかどうかを決定する閾値を持つクロスドメイン検出器を組み込んでいる。
  論文  参考訳（メタデータ） (2023-10-08T11:30:22Z)
• Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
  顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。 本稿では,新たな敵情報ネットワーク(AIN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:14:11Z)
• Attribute-preserving Face Dataset Anonymization via Latent Code Optimization [64.4569739006591]
  本稿では,事前学習したGANの潜時空間における画像の潜時表現を直接最適化するタスク非依存匿名化手法を提案する。 我々は一連の実験を通して、我々の手法が画像の同一性を匿名化できる一方で、顔の属性をより保存できることを実証した。
  論文  参考訳（メタデータ） (2023-03-20T17:34:05Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• Exposing Deepfake with Pixel-wise AR and PPG Correlation from Faint Signals [3.0034765247774864]
  ディープフェイクは、法的証拠と知的財産保護の信頼性に深刻な脅威をもたらす。 既存の画素レベルの検出方法は、偽ビデオの増大するリアリズムに抵抗できない。 フェースビデオに隠された暗信号を通してディープフェイクを露呈する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-29T06:05:52Z)
• Deep Face Fuzzy Vault: Implementation and Performance [5.251555525361623]
  ディープフェイスファジィVaultベースのテンプレート保護スキームを無リンクで改善した。 顔からのデジタルキーの派生と同様に、顔参照データのプライバシー保護を提供する。
  論文  参考訳（メタデータ） (2021-02-04T07:37:23Z)
• Fake face detection via adaptive manipulation traces extraction network [9.892936175042939]
  本稿では,画像内容の抑制と操作トレースの強調のために,適応的な操作トレース抽出ネットワーク (AMTEN) を提案する。 AMTENは適応的な畳み込み層を利用して画像内の操作トレースを予測する。 様々なFIM技術によって生成された偽の顔画像を検出する場合、AMTENnetは平均精度98.52%に達する。
  論文  参考訳（メタデータ） (2020-05-11T09:16:39Z)

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。