論文の概要: Fighting Malicious Media Data: A Survey on Tampering Detection and Deepfake Detection

• arxiv url: http://arxiv.org/abs/2212.05667v1
• Date: Mon, 12 Dec 2022 02:54:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 16:37:07.378755
• Title: Fighting Malicious Media Data: A Survey on Tampering Detection and Deepfake Detection
• Title（参考訳）: 悪意のあるメディアデータと戦う: タンパ検出とディープフェイク検出に関する調査
• Authors: Junke Wang, Zhenxin Li, Chao Zhang, Jingjing Chen, Zuxuan Wu, Larry S. Davis, Yu-Gang Jiang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 115.83992775004043
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online media data, in the forms of images and videos, are becoming mainstream communication channels. However, recent advances in deep learning, particularly deep generative models, open the doors for producing perceptually convincing images and videos at a low cost, which not only poses a serious threat to the trustworthiness of digital information but also has severe societal implications. This motivates a growing interest of research in media tampering detection, i.e., using deep learning techniques to examine whether media data have been maliciously manipulated. Depending on the content of the targeted images, media forgery could be divided into image tampering and Deepfake techniques. The former typically moves or erases the visual elements in ordinary images, while the latter manipulates the expressions and even the identity of human faces. Accordingly, the means of defense include image tampering detection and Deepfake detection, which share a wide variety of properties. In this paper, we provide a comprehensive review of the current media tampering detection approaches, and discuss the challenges and trends in this field for future research.
• Abstract（参考訳）: オンラインメディアデータは、画像やビデオの形で、主流のコミュニケーションチャネルになりつつある。 しかし、近年の深層学習の進歩、特に深層生成モデルでは、視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ており、デジタル情報の信頼性に深刻な脅威をもたらすだけでなく、社会的影響も深刻である。 これはメディア改ざん検出の研究の関心の高まり、すなわち、メディアデータが悪意ある操作を受けているかどうかをディープラーニング技術を用いて調べることである。 対象画像の内容によっては、メディア偽造は画像改ざんとディープフェイク技術に分けられる。 前者は通常、通常の画像の視覚的要素を移動または消去するが、後者は表情や人間の顔の同一性も操作する。 したがって、防御手段には、多種多様な特性を有する画像改ざん検出およびディープフェイク検出が含まれる。 本稿では,現在のメディア改ざん検出手法の包括的レビューを行い,今後の研究に向けて,この分野の課題と動向について考察する。

関連論文リスト

• Understanding Audiovisual Deepfake Detection: Techniques, Challenges, Human Factors and Perceptual Insights [49.81915942821647]
  ディープラーニングは様々な分野に適用され、ディープフェイク検出への影響は例外ではない。 ディープフェイク(英: Deepfakes)は、政治的偽造、フィッシング、スランダリング、偽情報の拡散に偽装的に使用できる、偽物だが現実的な合成コンテンツである。 本稿では,ディープフェイク検出戦略の有効性を改善し,サイバーセキュリティとメディアの整合性に関する今後の研究を導くことを目的とする。
  論文  参考訳（メタデータ） (2024-11-12T09:02:11Z)
• AMMeBa: A Large-Scale Survey and Dataset of Media-Based Misinformation In-The-Wild [1.4193873432298625]
  オンラインメディアをベースとした誤情報に注釈を付けるために,ヒトラプターを用いた2年間の研究結果を示す。 偽情報クレームにおける生成AIベースのコンテンツの増加を示す。 また、歴史的に支配的な「単純な」手法、特に文脈操作を示す。
  論文  参考訳（メタデータ） (2024-05-19T23:05:53Z)
• Exploring Saliency Bias in Manipulation Detection [2.156234249946792]
  ソーシャルメディアによる偽ニュースの爆発と改ざん画像による誤報は、画像検出のためのモデルとデータセットの開発に発展をもたらした。 既存の検出手法は、特定の操作が視聴者の知覚に与える影響を考慮せずに、主にメディアオブジェクトを分離して扱う。 本稿では,一般的な画像操作データセットにおける視覚的・意味的サリエンシの傾向とその検出への影響を解析する枠組みを提案する。
  論文  参考訳（メタデータ） (2024-02-12T00:08:51Z)
• Recent Advances in Digital Image and Video Forensics, Anti-forensics and Counter Anti-forensics [0.0]
  画像とビデオの鑑定は、最近、操作された画像やビデオの拡散により、注目を集めている。 本調査では,操作したデジタルメディアと生成メディアの両方をカバーする画像と映像の識別と偽造検出について検討する。
  論文  参考訳（メタデータ） (2024-02-03T09:01:34Z)
• 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)
• Robust Deepfake On Unrestricted Media: Generation And Detection [46.576556314444865]
  近年のディープラーニングの進歩は、ディープフェイク生成の大幅な改善につながっている。 この章では、ディープフェイクの生成と検出の進化と課題について論じる。
  論文  参考訳（メタデータ） (2022-02-13T06:53:39Z)
• Leveraging Real Talking Faces via Self-Supervision for Robust Forgery Detection [112.96004727646115]
  本研究では,実話を用いた顔操作映像の検出手法を開発した。 本手法は, クロスマニピュレーションの一般化とロバストネス実験における最先端性能を実現する。 以上の結果から、より堅牢な顔偽造検知器の開発には、自然ビデオと未表示ビデオの活用が有望な方向であることが示唆された。
  論文  参考訳（メタデータ） (2022-01-18T17:14:54Z)
• Watch Those Words: Video Falsification Detection Using Word-Conditioned Facial Motion [82.06128362686445]
  本稿では,安価なディープフェイクと視覚的に説得力のあるディープフェイクの両方を扱うためのマルチモーダルな意味法医学的アプローチを提案する。 帰属という概念を利用して、ある話者と他の話者を区別する個人固有の生体パターンを学習する。 既存の個人固有のアプローチとは異なり、この手法は口唇の操作に焦点を当てた攻撃にも有効である。
  論文  参考訳（メタデータ） (2021-12-21T01:57:04Z)
• Detecting Face2Face Facial Reenactment in Videos [76.9573023955201]
  本研究では,再現性に基づく変化を検出する学習に基づくアルゴリズムを提案する。 提案アルゴリズムは,局所的なアーティファクトを学習し,様々な圧縮レベルで堅牢な性能を提供するマルチストリームネットワークを用いている。 その結果, 99.96%, 99.10%, 91.20%の非, 容易, 硬度圧縮係数が得られた。
  論文  参考訳（メタデータ） (2020-01-21T11:03:50Z)
• Media Forensics and DeepFakes: an overview [12.333160116225445]
  リアルメディアと合成メディアの境界は非常に薄くなっている。 ディープフェイクは選挙中に世論を操ったり、詐欺を犯したり、軽視したり、脅迫したりするのに使われる。 偽マルチメディアコンテンツを検出する自動化ツールが緊急に必要である。
  論文  参考訳（メタデータ） (2020-01-18T00:13:32Z)

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。