論文の概要: Real-centric Consistency Learning for Deepfake Detection

• arxiv url: http://arxiv.org/abs/2205.07201v1
• Date: Sun, 15 May 2022 07:01:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-18 08:54:45.339877
• Title: Real-centric Consistency Learning for Deepfake Detection
• Title（参考訳）: ディープフェイク検出のための実中心一貫性学習
• Authors: Ruiqi Zha, Zhichao Lian, Qianmu Li, Siqi Gu
• Abstract要約: 両クラスの不変表現を学習することで深度検出問題に取り組む。 本稿では,潜在世代関連特徴を抽出するための,意味論的ペアリング手法を提案する。 特徴レベルでは、表現空間における自然面の中心に基づいて、潜在的な限界特徴をシミュレートする強正のマイニングと合成法を設計する。
• 参考スコア（独自算出の注目度）: 8.313889744011933
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most of previous deepfake detection researches bent their efforts to describe and discriminate artifacts in human perceptible ways, which leave a bias in the learned networks of ignoring some critical invariance features intra-class and underperforming the robustness of internet interference. Essentially, the target of deepfake detection problem is to represent natural faces and fake faces at the representation space discriminatively, and it reminds us whether we could optimize the feature extraction procedure at the representation space through constraining intra-class consistence and inter-class inconsistence to bring the intra-class representations close and push the inter-class representations apart? Therefore, inspired by contrastive representation learning, we tackle the deepfake detection problem through learning the invariant representations of both classes and propose a novel real-centric consistency learning method. We constraint the representation from both the sample level and the feature level. At the sample level, we take the procedure of deepfake synthesis into consideration and propose a novel forgery semantical-based pairing strategy to mine latent generation-related features. At the feature level, based on the centers of natural faces at the representation space, we design a hard positive mining and synthesizing method to simulate the potential marginal features. Besides, a hard negative fusion method is designed to improve the discrimination of negative marginal features with the help of supervised contrastive margin loss we developed. The effectiveness and robustness of the proposed method has been demonstrated through extensive experiments.
• Abstract（参考訳）: これまでのディープフェイク検出研究のほとんどが、人間の知覚可能な方法でアーティファクトを記述・識別する努力を曲げており、クラス内における重要な不変性を無視し、インターネット干渉の強固さを過小評価するという、学習ネットワークのバイアスを残している。 本質的には、ディープフェイク検出問題は、表現空間における自然の顔と偽の顔とを識別的に表現することであり、クラス内コンポジションとクラス間一貫性を制約することで、クラス間表現を閉じてクラス間表現を分離できるかどうかを思い出させる。 そこで,両クラス間の不変表現を学習して深度検出問題に対処し,新しい実中心一貫性学習法を提案する。 サンプルレベルと機能レベルの両方から表現を制約します。 サンプルレベルでは、ディープフェイク合成の手順を考慮に入れ、潜在世代関連特徴をマイニングするための新しい偽造意味論に基づくペアリング戦略を提案する。 特徴レベルでは, 表現空間における自然顔の中心に基づいて, 潜在的限界的特徴をシミュレートする硬い正のマイニング・合成法を考案する。 また,我々が開発したコントラストマージン損失を監督することにより,負マージン特徴の識別を改善するためのハード・ネガティブ・フュージョン法が考案された。 提案手法の有効性とロバスト性は広範な実験により実証された。

関連論文リスト

• An Attention-based Framework for Fair Contrastive Learning [2.1605931466490795]
  そこで本稿では,バイアスを考慮したインタラクションをモデル化するための注意機構を用いた,公正なコントラスト学習のための新しい手法を提案する。 我々の注意機構は、モデルに相反するバイアスを発生させるサンプルを避け、意味論的に意味のある表現を学習するのに役立つバイアスを誘発するサンプルに焦点をあてる。
  論文  参考訳（メタデータ） (2024-11-22T07:11:35Z)
• 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)
• Adversarially Robust Deepfake Detection via Adversarial Feature Similarity Learning [0.0]
  ディープフェイク技術は、デジタルコンテンツの信頼性を懸念し、効果的な検出方法の開発を必要としている。 敵は、検出モデルを騙して誤った出力を生成する、小さくて知覚できない摂動でディープフェイクビデオを操作できる。 本稿では,3つの基本的深い特徴学習パラダイムを統合したAFSL(Adversarial Feature similarity Learning)を紹介する。
  論文  参考訳（メタデータ） (2024-02-06T11:35:05Z)
• Mitigating Feature Gap for Adversarial Robustness by Feature Disentanglement [61.048842737581865]
  逆方向の微調整法は, 逆方向の訓練方法で, 自然に事前訓練されたモデルを微調整することにより, 逆方向の強靭性を高めることを目的としている。 特徴ギャップの原因となる潜伏する特徴を明示的にモデル化し,取り除く,アンタングルメントに基づくアプローチを提案する。 3つのベンチマークデータセットに対する実証的な評価は、我々のアプローチが既存の逆方向の微調整法や逆方向のトレーニングベースラインを超えていることを示している。
  論文  参考訳（メタデータ） (2024-01-26T08:38:57Z)
• COMICS: End-to-end Bi-grained Contrastive Learning for Multi-face Forgery Detection [56.7599217711363]
  顔偽造認識法は一度に1つの顔しか処理できない。 ほとんどの顔偽造認識法は一度に1つの顔しか処理できない。 マルチフェイスフォージェリ検出のためのエンドツーエンドフレームワークであるCOMICSを提案する。
  論文  参考訳（メタデータ） (2023-08-03T03:37:13Z)
• CoReFace: Sample-Guided Contrastive Regularization for Deep Face Recognition [3.1677775852317085]
  特徴表現学習に画像レベルの正規化を適用するために,CoReFace(Contrastive Regularization for Face Recognition)を提案する。 具体的には、サンプル誘導型コントラスト学習を用いて、画像と画像の関係を直接調整する。 コントラスト学習を顔認識に統合するため,画像の画質劣化を回避するために,画像の代わりに埋め込みを拡大する。
  論文  参考訳（メタデータ） (2023-04-23T14:33:24Z)
• Towards Intrinsic Common Discriminative Features Learning for Face Forgery Detection using Adversarial Learning [59.548960057358435]
  本稿では, 対人学習を利用して, 異なる偽造法と顔の同一性による負の効果を除去する手法を提案する。 我々の顔偽造検出モデルは、偽造法や顔の同一性の影響を排除し、共通の識別的特徴を抽出することを学ぶ。
  論文  参考訳（メタデータ） (2022-07-08T09:23:59Z)
• Dual Contrastive Learning for General Face Forgery Detection [64.41970626226221]
  本稿では,正と負のペアデータを構成するDCL (Dual Contrastive Learning) という新しい顔偽造検出フレームワークを提案する。 本研究は, 事例内コントラスト学習(Intra-ICL)において, 偽造顔における局所的内容の不整合に焦点をあてる。
  論文  参考訳（メタデータ） (2021-12-27T05:44:40Z)
• IntraLoss: Further Margin via Gradient-Enhancing Term for Deep Face Recognition [14.562043494026849]
  既存の分類に基づく顔認識手法は目覚ましい進歩を遂げた。 粗悪な特徴分布は、マージンスキームによるパフォーマンス改善を排除します。 本稿では,クラス内の分布特性に着目した勾配強調項を提案する。
  論文  参考訳（メタデータ） (2021-07-07T16:53:45Z)
• Face Anti-Spoofing Via Disentangled Representation Learning [90.90512800361742]
  顔認識システムのセキュリティには、顔の偽造が不可欠だ。 本稿では,画像から生意気な特徴やコンテンツの特徴を乱す顔のアンチ・スプーフィングの新たな視点を提案する。
  論文  参考訳（メタデータ） (2020-08-19T03:54:23Z)

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。