論文の概要: DFGC 2022: The Second DeepFake Game Competition

• arxiv url: http://arxiv.org/abs/2206.15138v1
• Date: Thu, 30 Jun 2022 09:13:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-01 14:45:08.558188
• Title: DFGC 2022: The Second DeepFake Game Competition
• Title（参考訳）: DFGC 2022: 第2回DeepFakeゲームコンペティション
• Authors: Bo Peng, Wei Xiang, Yue Jiang, Wei Wang, Jing Dong, Zhenan Sun, Zhen Lei, Siwei Lyu
• Abstract要約: ディープフェイクは急速に進化しており、現実的なフェイススワップは認識しにくくなっている。 DeepFakeのクリエーターとディフェンダーの間には2人組のゲームがある。 このコンペティションは、DeepFakeの生成と検出方法における現在の最先端のゲームをベンチマークするための共通のプラットフォームを提供する。
• 参考スコア（独自算出の注目度）: 93.05016504907401
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents the summary report on our DFGC 2022 competition. The DeepFake is rapidly evolving, and realistic face-swaps are becoming more deceptive and difficult to detect. On the contrary, methods for detecting DeepFakes are also improving. There is a two-party game between DeepFake creators and defenders. This competition provides a common platform for benchmarking the game between the current state-of-the-arts in DeepFake creation and detection methods. The main research question to be answered by this competition is the current state of the two adversaries when competed with each other. This is the second edition after the last year's DFGC 2021, with a new, more diverse video dataset, a more realistic game setting, and more reasonable evaluation metrics. With this competition, we aim to stimulate research ideas for building better defenses against the DeepFake threats. We also release our DFGC 2022 dataset contributed by both our participants and ourselves to enrich the DeepFake data resources for the research community (https://github.com/NiCE-X/DFGC-2022).
• Abstract（参考訳）: 本稿では,dfgc 2022コンペティションの概要報告を行う。 DeepFakeは急速に進化しており、現実的なフェイススワップはより認識しにくくなっている。 逆に、DeepFakeの検出方法も改善されている。 DeepFakeのクリエーターとディフェンダーの2人組のゲームがある。 このコンペティションは、DeepFakeの生成と検出方法における現在の最先端のゲームをベンチマークするための共通のプラットフォームを提供する。 この競争で答えられる主な研究課題は、互いに競合する2つの敵の現況である。 これは、昨年のDFGC 2021に続く第2版で、より多様なビデオデータセット、よりリアルなゲーム設定、より合理的な評価指標を備える。 この競争は、DeepFakeの脅威に対するより良い防御を構築するための研究アイデアを刺激することを目的としています。 また、研究コミュニティ向けのDeepFakeデータリソースを充実させるために、参加者と自分たちがコントリビュートしたDFGC 2022データセットもリリースしています(https://github.com/NiCE-X/DFGC-2022)。

関連論文リスト

• Deepfake detection in videos with multiple faces using geometric-fakeness features [79.16635054977068]
  被害者や人物のディープフェイクは、脅迫、ゆがみ、金融詐欺の詐欺師によって使用される。 本研究では,映像中の顔の存在の動的度を特徴付ける幾何学的フェイクネス機能(GFF)を提案する。 我々は、ビデオに同時に存在する複数の顔でビデオを分析するために、我々のアプローチを採用している。
  論文  参考訳（メタデータ） (2024-10-10T13:10:34Z)
• Beyond Detection: Visual Realism Assessment of Deepfakes [1.0832844764942349]
  我々は2つの畳み込みニューラルネットワーク(CNN)モデル(EvaとConvNext)のアンサンブルを利用する。 我々は,フレームのシーケンスから抽出した特徴に基づいて,DeepFakeビデオから平均オピニオンスコア(MOS)を予測することを目指している。 本手法は,2023年国際バイオメトリックス会議と共同で開催したDFGC on Visual Realism Assessmentにおいて,第3位を確保した。
  論文  参考訳（メタデータ） (2023-06-09T15:53:01Z)
• Surveillance Face Presentation Attack Detection Challenge [68.06719263243806]
  Face Anti-Spoofing (FAS) は、様々な物理的攻撃から顔認識システムを保護するために不可欠である。 大規模サーベイランスハイフィデリティマスク(SuHiFiMask)を収集する SuHiFiMaskには、年齢層別101ドルのビデオが10,195ドル、メインストリームの監視カメラが7ドルだ。 監視シナリオにおける顔提示攻撃検出の課題を整理する。
  論文  参考訳（メタデータ） (2023-04-15T15:23:19Z)
• 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)
• DeepFakes: Detecting Forged and Synthetic Media Content Using Machine Learning [18.623444153774948]
  この研究は、DeepFakeの生成と検出技術に関連する課題、研究動向、方向性を提示する。 この研究は、DeepFakeドメインにおける注目すべき研究をレビューし、今後より進歩したDeepFakeに対応する、より堅牢なアプローチの開発を促進する。
  論文  参考訳（メタデータ） (2021-09-07T05:19:36Z)
• DFGC 2021: A DeepFake Game Competition [58.77039013470618]
  本稿では,DFGC 2021コンペティションの概要を紹介する。 DeepFakeの技術は急速に発展しており、現実的なフェイススワップはますます認知しにくくなっている。 このコンペティションは、現在の最先端のDeepFake生成と検出方法の間の対戦ゲームをベンチマークするための共通プラットフォームを提供する。
  論文  参考訳（メタデータ） (2021-06-02T15:10:13Z)
• Countering Malicious DeepFakes: Survey, Battleground, and Horizon [17.153920019319603]
  DeepFakeと呼ばれる深い生成的アプローチによる顔の外観の作成と操作は、大きな進歩を遂げました。 この新しい技術の邪悪な側面は、別の一般的な研究、すなわち本物のものから偽の顔を識別することを目的としたDeepFake検出を提示します。 コミュニティにおけるDeepFake関連の研究の急速な発展に伴い、双方(すなわちDeepFakeの生成と検出)は戦場の関係を形成している。
  論文  参考訳（メタデータ） (2021-02-27T13:48:54Z)
• DeeperForensics Challenge 2020 on Real-World Face Forgery Detection: Methods and Results [144.5252578415748]
  本稿では,現実世界の顔偽造検出に関するDeeperForensics Challenge 2020の手法と結果について報告する。 この挑戦はdeepforensics-1.0データセットを採用し、6万のビデオを合計1760万フレームで構成する。 115人の参加者が参加し、25のチームが有効な応募を行った。
  論文  参考訳（メタデータ） (2021-02-18T16:48:57Z)

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。