論文の概要: DeePhy: On Deepfake Phylogeny
- arxiv url: http://arxiv.org/abs/2209.09111v1
- Date: Mon, 19 Sep 2022 15:30:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-20 18:36:48.731849
- Title: DeePhy: On Deepfake Phylogeny
- Title(参考訳): DeePhy:Deepfake Phylogenyについて
- Authors: Kartik Narayan, Harsh Agarwal, Kartik Thakral, Surbhi Mittal, Mayank
Vatsa, Richa Singh
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 58.01631614114075
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Deepfake refers to tailored and synthetically generated videos which are now
prevalent and spreading on a large scale, threatening the trustworthiness of
the information available online. While existing datasets contain different
kinds of deepfakes which vary in their generation technique, they do not
consider progression of deepfakes in a "phylogenetic" manner. It is possible
that an existing deepfake face is swapped with another face. This process of
face swapping can be performed multiple times and the resultant deepfake can be
evolved to confuse the deepfake detection algorithms. Further, many databases
do not provide the employed generative model as target labels. Model
attribution helps in enhancing the explainability of the detection results by
providing information on the generative model employed. In order to enable the
research community to address these questions, this paper proposes DeePhy, a
novel Deepfake Phylogeny dataset which consists of 5040 deepfake videos
generated using three different generation techniques. There are 840 videos of
one-time swapped deepfakes, 2520 videos of two-times swapped deepfakes and 1680
videos of three-times swapped deepfakes. With over 30 GBs in size, the database
is prepared in over 1100 hours using 18 GPUs of 1,352 GB cumulative memory. We
also present the benchmark on DeePhy dataset using six deepfake detection
algorithms. The results highlight the need to evolve the research of model
attribution of deepfakes and generalize the process over a variety of deepfake
generation techniques. The database is available at:
http://iab-rubric.org/deephy-database
- Abstract(参考訳): Deepfake(ディープフェイク)とは、オンラインで利用可能な情報の信頼性を脅かし、現在広く普及し、大規模に広まっている、調整された合成ビデオを指す。
既存のデータセットには、生成技術によって異なる種類のディープフェイクが含まれているが、ディープフェイクの「系統的」な進行は考慮していない。
既存のディープフェイク顔は別の顔と入れ替えられる可能性がある。
このフェイススワップのプロセスは複数回行うことができ、その結果、ディープフェイク検出アルゴリズムを混乱させるように進化させることができる。
さらに、多くのデータベースはターゲットラベルとして使用される生成モデルを提供していない。
モデル属性は、採用した生成モデルに関する情報を提供することで、検出結果の説明可能性を高めるのに役立つ。
研究コミュニティがこれらの問題に対処するために,3つの異なる生成手法を用いて生成した5040個のディープフェイク映像からなる新しいディープフェイク・フィロジェニー・データセットであるDeePhyを提案する。
一度スワップしたディープフェイクのビデオは840本、二度スワップしたビデオは2520本、三度スワップしたビデオは1680本ある。
データベースのサイズは30GBを超え、1100時間以上、累積メモリは1,352GBの18GPUを使用する。
また,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。
その結果、ディープフェイクのモデル属性の研究を進化させ、様々なディープフェイク生成技術によるプロセスの一般化の必要性を強調した。
データベースは以下のとおりである。 http://iab-rubric.org/deephy-database
関連論文リスト
- Linguistic Profiling of Deepfakes: An Open Database for Next-Generation
Deepfake Detection [40.20982463380279]
本稿では,Deepfake データベース (DFLIP-3K) を提案する。
約3K生成モデルから約300Kの多様なディープフェイクサンプルが含まれており、この文献で最も多くのディープフェイクモデルがある。
この2つの特徴により、DFLIP-3Kはディープフェイクの言語プロファイリングの進歩を促進するベンチマークを開発することができる。
論文 参考訳(メタデータ) (2024-01-04T16:19:52Z) - Undercover Deepfakes: Detecting Fake Segments in Videos [1.2609216345578933]
ディープフェイク・ジェネレーションは ディープフェイクの新しいパラダイムだ ほとんどは 真実を歪めるために わずかに修正された 実際のビデオだ
本稿では,フレームとビデオレベルでディープフェイク予測を行うことにより,この問題に対処できるディープフェイク検出手法を提案する。
特に、私たちが取り組むパラダイムは、ディープフェイクのモデレーションのための強力なツールを形成します。
論文 参考訳(メタデータ) (2023-05-11T04:43:10Z) - Voice-Face Homogeneity Tells Deepfake [56.334968246631725]
既存の検出アプローチは、ディープフェイクビデオにおける特定のアーティファクトの探索に寄与する。
未探索の音声-顔のマッチングビューからディープフェイク検出を行う。
我々のモデルは、他の最先端の競合と比較して、大幅に性能が向上する。
論文 参考訳(メタデータ) (2022-03-04T09:08:50Z) - Model Attribution of Face-swap Deepfake Videos [39.771800841412414]
まず、いくつかのAutoencoderモデルに基づいて、DeepFakes from Different Models (DFDM)を用いた新しいデータセットを導入する。
具体的には、エンコーダ、デコーダ、中間層、入力解像度、圧縮比の5つの世代モデルを用いて、合計6450のDeepfakeビデオを生成する。
我々は,Deepfakesモデルの属性を多クラス分類タスクとして捉え,Deepfakes間の差異を探索するための空間的・時間的注意に基づく手法を提案する。
論文 参考訳(メタデータ) (2022-02-25T20:05:18Z) - TAR: Generalized Forensic Framework to Detect Deepfakes using Weakly
Supervised Learning [17.40885531847159]
ディープフェイクは重要な社会問題となり、それらを検出することが非常に重要です。
本研究では,異なる種類のディープフェイクを同時に検出する実用的なデジタル鑑識ツールを提案する。
レジデンシャルブロックを用いた自動エンコーダベースの検出モデルを開発し、異なる種類のディープフェイクを同時に検出する転送学習を順次実施します。
論文 参考訳(メタデータ) (2021-05-13T07:31:08Z) - M2TR: Multi-modal Multi-scale Transformers for Deepfake Detection [74.19291916812921]
Deepfake技術によって生成された鍛造画像は、デジタル情報の信頼性に深刻な脅威をもたらします。
本稿では,Deepfake検出のための微妙な操作アーチファクトを異なるスケールで捉えることを目的とする。
最先端の顔スワッピングと顔の再現方法によって生成された4000のDeepFakeビデオで構成される高品質のDeepFakeデータセットSR-DFを紹介します。
論文 参考訳(メタデータ) (2021-04-20T05:43:44Z) - Adversarially robust deepfake media detection using fused convolutional
neural network predictions [79.00202519223662]
現在のディープフェイク検出システムは、目に見えないデータと戦っている。
ビデオから抽出した偽画像と実画像の分類には,CNN(Deep Convolutional Neural Network)モデルが3種類採用されている。
提案手法は96.5%の精度で最先端のモデルより優れている。
論文 参考訳(メタデータ) (2021-02-11T11:28:00Z) - WildDeepfake: A Challenging Real-World Dataset for Deepfake Detection [73.61769046989258]
近年、ディープフェイク(deepfake deepfake)と呼ばれるフェイススワップ技術が悪用され、人々の関心が高まっている。
ディープフェイクに対する有望な対策はディープフェイク検出です。
deepfake検出器のトレーニングとテストをサポートするために、いくつかのdeepfakeデータセットがリリースされた。
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を紹介します。
論文 参考訳(メタデータ) (2021-01-05T11:10:32Z) - Artificial Fingerprinting for Generative Models: Rooting Deepfake
Attribution in Training Data [64.65952078807086]
光現実性画像生成は、GAN(Generative Adversarial Network)のブレークスルーにより、新たな品質レベルに達した。
しかし、このようなディープフェイクのダークサイド、すなわち生成されたメディアの悪意ある使用は、視覚的誤報に関する懸念を提起する。
我々は,モデルに人工指紋を導入することによって,深度検出の積極的な,持続可能なソリューションを模索する。
論文 参考訳(メタデータ) (2020-07-16T16:49:55Z)
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。