Fugu-MT 論文翻訳(概要): A Survey of Deep Fake Detection for Trial Courts

論文の概要: A Survey of Deep Fake Detection for Trial Courts

arxiv url: http://arxiv.org/abs/2205.15792v1
Date: Tue, 31 May 2022 13:50:25 GMT
ステータス: 処理完了
システム内更新日: 2022-06-01 20:07:32.028884
Title: A Survey of Deep Fake Detection for Trial Courts
Title（参考訳）: 裁判裁判所における深度フェイク検出の実態調査
Authors: Naciye Celebi, Qingzhong Liu, Muhammed Karatoprak
Abstract要約: DeepFakeのアルゴリズムは、人間が本物と区別できない偽のイメージやビデオを作成することができる。偽の情報を拡散するのを避けるために、偽の動画を検出することが不可欠になっている。本稿では,DeepFakeを検知する手法と,DeepFakeを検出できるデータセットについて検討する。
参考スコア（独自算出の注目度）: 2.320417845168326
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Recently, image manipulation has achieved rapid growth due to the advancement of sophisticated image editing tools. A recent surge of generated fake imagery and videos using neural networks is DeepFake. DeepFake algorithms can create fake images and videos that humans cannot distinguish from authentic ones. (GANs) have been extensively used for creating realistic images without accessing the original images. Therefore, it is become essential to detect fake videos to avoid spreading false information. This paper presents a survey of methods used to detect DeepFakes and datasets available for detecting DeepFakes in the literature to date. We present extensive discussions and research trends related to DeepFake technologies.
Abstract（参考訳）: 近年,高度な画像編集ツールの進歩により,画像操作が急速に成長している。最近のニューラルネットワークを使った偽画像やビデオの急増はDeepFakeだ。 deepfakeアルゴリズムは、人間が本物のものと区別できない偽の画像やビデオを作成できる。 (ガン)は原画像にアクセスせずに写実的な画像を作成するために広く用いられてきた。そのため,偽情報を拡散しないように偽ビデオを検出することが重要である。本稿では,文献中のDeepFakeを検出可能なDeepFakeとデータセットの検索方法について述べる。本稿ではDeepFake技術に関する広範な議論と研究動向を紹介する。

関連論文リスト

Text-image guided Diffusion Model for generating Deepfake celebrity interactions [50.37578424163951]
拡散モデルは近年、非常にリアルなビジュアルコンテンツ生成を実証している。本稿では,その点において新しい手法を考案し,検討する。提案手法により, 現実感を脅かすことなく, 偽の視覚コンテンツを作成できることが示唆された。
論文参考訳（メタデータ） (2023-09-26T08:24:37Z)
Comparative Analysis of Deep-Fake Algorithms [0.0]
ディープフェイク(Deepfakes)は、ディープラーニングベースのフェイクビデオとしても知られており、近年大きな関心を集めている。これらのディープフェイクビデオは、誤った情報を広めたり、個人を偽装したり、フェイクニュースを作るといった悪質な目的で使用することができる。ディープフェイク検出技術は、顔認識、モーション分析、音声と視覚の同期といった様々なアプローチを使用する。
論文参考訳（メタデータ） (2023-09-06T18:17:47Z)
Fighting Malicious Media Data: A Survey on Tampering Detection and Deepfake Detection [115.83992775004043]
近年のディープラーニング、特に深層生成モデルの発展により、知覚的に説得力のある画像や動画を低コストで制作するための扉が開かれた。本稿では,現在のメディアタンパリング検出手法を概観し,今後の研究の課題と動向について論じる。
論文参考訳（メタデータ） (2022-12-12T02:54:08Z)
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)
Deep Fake Detection: Survey of Facial Manipulation Detection Solutions [0.0]
我々は、アートニューラルネットワーク(MesoNet、ResNet-50、VGG-19、Xception Net)のいくつかの状態を分析し、それらを互いに比較する。オンラインソーシャルメディアプラットフォームにデプロイされるリアルタイムのディープフェイク検出など,さまざまなシナリオに対する最適なソリューションを見つけました。
論文参考訳（メタデータ） (2021-06-23T18:08:07Z)
WildDeepfake: A Challenging Real-World Dataset for Deepfake Detection [82.42495493102805]
我々は,インターネットから完全に収集された707のディープフェイクビデオから抽出された7,314の顔シーケンスからなる新しいデータセットWildDeepfakeを紹介した。既存のWildDeepfakeデータセットと我々のWildDeepfakeデータセットのベースライン検出ネットワークを体系的に評価し、WildDeepfakeが実際により困難なデータセットであることを示す。
論文参考訳（メタデータ） (2021-01-05T11:10:32Z)
Identity-Driven DeepFake Detection [91.0504621868628]
アイデンティティ駆動のDeepFake Detectionは、被疑者画像/ビデオとターゲットのアイデンティティ情報を入力する。被疑者画像・映像の同一性は対象人物と同一かという判断を出力する。本稿では,新たな研究のベースラインとして,簡単な識別ベース検出アルゴリズムであるouterfaceを提案する。
論文参考訳（メタデータ） (2020-12-07T18:59:08Z)
What makes fake images detectable? Understanding properties that generalize [55.4211069143719]
深層ネットワークは、博士画像の微妙なアーティファクトを拾い上げることができる。我々は、偽画像のどの特性が検出可能かを理解することを模索する。検出可能な特性を誇張する手法を示す。
論文参考訳（メタデータ） (2020-08-24T17:50:28Z)
Deepfake Video Forensics based on Transfer Learning [0.0]
ディープフェイク」は、人間が本物のものと区別できない偽のイメージやビデオを作ることができる。本稿では,各ディープフェイク映像フレームの特徴を把握するために,画像分類モデルを再学習する方法について述べる。 Deepfakeのビデオをチェックすると、87%以上の精度が得られた。
論文参考訳（メタデータ） (2020-04-29T13:21:28Z)
Preliminary Forensics Analysis of DeepFake Images [0.0]
DeepFakeは、ディープラーニングに基づくアルゴリズムを活用することで、画像やビデオの人物の顔を自動的に置き換えることが可能になる。本稿では,顔のディープフェイク画像を生成する技術の概要を紹介する。標準手法によるこれらの画像の法医学的分析について述べる。顔のディープフェイク画像と戦うための予備的なアイデアが提示される。
論文参考訳（メタデータ） (2020-04-27T08:09:06Z)
Adversarial Deepfakes: Evaluating Vulnerability of Deepfake Detectors to Adversarial Examples [23.695497512694068]
ビデオ操作技術の最近の進歩は、偽ビデオの生成をこれまで以上にアクセスしやすくしている。操作されたビデオは偽情報を燃やし、メディアの信頼を減らすことができる。近年開発されたDeepfake検出方法は、AI生成のフェイクビデオと実際のビデオとを区別するために、ディープニューラルネットワーク(DNN)に依存している。
論文参考訳（メタデータ） (2020-02-09T07:10:58Z)

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。