論文の概要: Benchmarking Deepart Detection
- arxiv url: http://arxiv.org/abs/2302.14475v1
- Date: Tue, 28 Feb 2023 10:34:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-01 17:02:07.262857
- Title: Benchmarking Deepart Detection
- Title(参考訳): ベンチマークによるdeepart検出
- Authors: Yabin Wang, Zhiwu Huang, Xiaopeng Hong
- Abstract要約: ディープフェイク技術は、現実と非現実の境界を曖昧にしており、おそらく悪意のある出来事を引き起こしている。
本稿では,5つの最先端のディープフェイクモデルによって生成される,高品質な従来のアート画像(コナート)と5組のディープアート画像からなるディープアート検出データベース(DDDB)を確立する。
2つの新しい問題に対して、構築されたDDDB上で4つのベンチマーク評価と4つのソリューションファミリーを提案する。
- 参考スコア(独自算出の注目度): 47.35363657976161
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deepfake technologies have been blurring the boundaries between the real and
unreal, likely resulting in malicious events. By leveraging newly emerged
deepfake technologies, deepfake researchers have been making a great upending
to create deepfake artworks (deeparts), which are further closing the gap
between reality and fantasy. To address potentially appeared ethics questions,
this paper establishes a deepart detection database (DDDB) that consists of a
set of high-quality conventional art images (conarts) and five sets of deepart
images generated by five state-of-the-art deepfake models. This database
enables us to explore once-for-all deepart detection and continual deepart
detection. For the two new problems, we suggest four benchmark evaluations and
four families of solutions on the constructed DDDB. The comprehensive study
demonstrates the effectiveness of the proposed solutions on the established
benchmark dataset, which is capable of paving a way to more interesting
directions of deepart detection. The constructed benchmark dataset and the
source code will be made publicly available.
- Abstract(参考訳): ディープフェイク技術は、現実と非現実の境界を曖昧にしており、おそらく悪質なイベントを引き起こしている。
新たに登場したディープフェイク技術を活用することで、ディープフェイクの研究者たちは、ディープフェイクアート(ディーパート)を作るための大きな進歩を遂げてきた。
本稿では,5つの最先端ディープフェイクモデルによって生成された,高品質な従来のアート画像(conarts)と5つのディープアート画像からなる,deepart detection database(dddb)を構築した。
このデータベースを使うことで、すべてのdeepart検出と継続的なdeepart検出を探索できます。
2つの新しい問題に対して、構築されたDDDB上で4つのベンチマーク評価と4つのソリューションファミリーを提案する。
この包括的研究は、deepart検出のより興味深い方向への道を開くことができる確立されたベンチマークデータセットにおける提案手法の有効性を示している。
構築されたベンチマークデータセットとソースコードが公開される予定だ。
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) - Improving Cross-dataset Deepfake Detection with Deep Information
Decomposition [57.284370468207214]
ディープフェイク技術は、セキュリティと社会的信頼に重大な脅威をもたらす。
既存の検出方法は、クロスデータセットのシナリオに直面した場合、パフォーマンスの急激な低下に悩まされる。
本稿では,深層情報分解(DID)フレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-30T12:30:25Z) - Robustness and Generalizability of Deepfake Detection: A Study with
Diffusion Models [35.188364409869465]
本稿では,ディープフェイクの作り方と識別方法について検討する。
私たちの研究の基盤は、DeepFakeFaceという名の有名人の顔の豊富なコレクションです。
このデータはディープフェイクを見つけるために設計されたアルゴリズムを訓練し、テストするための堅牢な基盤となる。
論文 参考訳(メタデータ) (2023-09-05T13:22:41Z) - DepthFake: a depth-based strategy for detecting Deepfake videos [5.631804825444735]
本稿では,従来のRGBベースのアプローチを深度マップで改善する方法を示す。
提案されたRGBDアプローチは、いくつかのディープフェイク攻撃に対して平均3.20%と最大11.7%の改善を達成することができる。
論文 参考訳(メタデータ) (2022-08-23T16:38:25Z) - A Continual Deepfake Detection Benchmark: Dataset, Methods, and
Essentials [97.69553832500547]
本稿では, 既知の生成モデルと未知の生成モデルの両方から, 新たなディープフェイク集合に対する連続的なディープフェイク検出ベンチマーク(CDDB)を提案する。
本研究では,連続的なディープラーニング検出問題に対して,連続的な視覚認識で一般的に使用される多クラス漸進学習手法を適応するために,複数のアプローチを利用する。
論文 参考訳(メタデータ) (2022-05-11T13:07:19Z) - OpenForensics: Large-Scale Challenging Dataset For Multi-Face Forgery
Detection And Segmentation In-The-Wild [48.67582300190131]
本稿では,多面フォージェリ検出とセグメント化という2つの新しい対策課題について述べる。
制約のない自然の場面で、複数の人間の顔に偽の顔を置くことは、従来のディープフェイク認識タスクよりもはるかに難しい。
豊富なアノテーションによって、私たちのOpenForensicsデータセットは、ディープフェイク防止と一般的な人間の顔検出の両方の研究に大きな可能性を秘めています。
論文 参考訳(メタデータ) (2021-07-30T08:15:41Z) - 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) - 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)
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。