論文の概要: Real Face Foundation Representation Learning for Generalized Deepfake
Detection
- arxiv url: http://arxiv.org/abs/2303.08439v1
- Date: Wed, 15 Mar 2023 08:27:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2023-03-16 14:28:35.533813
- Title: Real Face Foundation Representation Learning for Generalized Deepfake
Detection
- Title（参考訳）: 一般化ディープフェイク検出のためのリアルフェイスファウンデーション表現学習
- Authors: Liang Shi, Jie Zhang, Shiguang Shan
- Abstract要約: ディープフェイク技術の出現は、個人のプライバシーと公共の安全に脅威をもたらすため、社会的な問題となっている。
十分な偽の顔を集めることはほぼ不可能であり、既存の検出器があらゆる種類の操作に一般化することは困難である。
本稿では,大規模な実顔データセットから一般表現を学習することを目的としたリアルフェイスファウンデーション表現学習(RFFR)を提案する。
- 参考スコア（独自算出の注目度）: 74.4691295738097
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The emergence of deepfake technologies has become a matter of social concern
as they pose threats to individual privacy and public security. It is now of
great significance to develop reliable deepfake detectors. However, with
numerous face manipulation algorithms present, it is almost impossible to
collect sufficient representative fake faces, and it is hard for existing
detectors to generalize to all types of manipulation. Therefore, we turn to
learn the distribution of real faces, and indirectly identify fake images that
deviate from the real face distribution. In this study, we propose Real Face
Foundation Representation Learning (RFFR), which aims to learn a general
representation from large-scale real face datasets and detect potential
artifacts outside the distribution of RFFR. Specifically, we train a model on
real face datasets by masked image modeling (MIM), which results in a
discrepancy between input faces and the reconstructed ones when applying the
model on fake samples. This discrepancy reveals the low-level artifacts not
contained in RFFR, making it easier to build a deepfake detector sensitive to
all kinds of potential artifacts outside the distribution of RFFR. Extensive
experiments demonstrate that our method brings about better generalization
performance, as it significantly outperforms the state-of-the-art methods in
cross-manipulation evaluations, and has the potential to further improve by
introducing extra real faces for training RFFR.
- Abstract（参考訳）: ディープフェイク技術の出現は、個人のプライバシーと公共の安全に脅威をもたらすため、社会的な問題となっている。
信頼できるディープフェイク検出器を開発することは、現在非常に重要である。
しかし、多数の顔操作アルゴリズムが存在するため、十分な偽の顔を集めることはほぼ不可能であり、既存の検出器があらゆる種類の操作に一般化することは困難である。
そこで,実顔の分布を学習し,実顔分布から逸脱した偽画像を間接的に識別する。
本研究では,大規模実顔データセットから汎用表現を学習し,rffrの分布外の潜在的なアーティファクトを検出することを目的とした,real face foundation representation learning(rffr)を提案する。
具体的には、マスキング画像モデリング(mim)により、実顔データセット上でモデルをトレーニングすることで、フェイクサンプルにモデルを適用する際に、入力顔と再構成された顔との間に不一致が生じる。
この相違により、RFFRに含まれていない低レベルのアーティファクトが明らかになり、RFFRの分布外のあらゆる種類の潜在的なアーティファクトに敏感なディープフェイク検出器の構築が容易になった。
本手法は, クロスマニピュレーション評価において最先端の手法よりも優れており, さらに, RFFRトレーニングのための追加の現実面を導入することにより, さらなる改善が期待できることを示す。
関連論文リスト
- DiffusionFake: Enhancing Generalization in Deepfake Detection via Guided Stable Diffusion [94.46904504076124]
ディープフェイク技術は、顔交換を極めて現実的にし、偽造された顔コンテンツの使用に対する懸念を高めている。
既存の方法は、顔操作の多様な性質のため、目に見えない領域に一般化するのに苦労することが多い。
顔偽造者の生成過程を逆転させて検出モデルの一般化を促進する新しいフレームワークであるDiffusionFakeを紹介する。
論文 参考訳（メタデータ） (2024-10-06T06:22:43Z) - Media Forensics and Deepfake Systematic Survey [0.0]
Deepfakeは、顔の特徴を非常に現実的な方法で生成または変更する、生成的なディープラーニングアルゴリズムである。
映画を良く見せるだけでなく、有名人を模倣して偽情報を広めるのにも使える。
論文 参考訳（メタデータ） (2024-06-19T07:33:33Z) - Generalized Face Liveness Detection via De-spoofing Face Generator [58.7043386978171]
以前のFace Anti-Spoofing (FAS) の作業は、目に見えない領域における一般化という課題に直面している。
De-spoofing Face Generator (DFG) によるモデル一般化を改善するために, 現実の顔を利用する Anomalous cue Guided FAS (AG-FAS) 方式を実行する。
次に,Anomalous cue Guided FAS feature extract Network (AG-Net)を提案する。
論文 参考訳（メタデータ） (2024-01-17T06:59:32Z) - DeepFidelity: Perceptual Forgery Fidelity Assessment for Deepfake
Detection [67.3143177137102]
ディープフェイク検出(Deepfake detection)とは、画像やビデオにおいて、人工的に生成された顔や編集された顔を検出すること。
本稿では,実顔と偽顔とを適応的に識別するDeepFidelityという新しいDeepfake検出フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-07T07:19:45Z) - Attention Consistency Refined Masked Frequency Forgery Representation
for Generalizing Face Forgery Detection [96.539862328788]
既存の偽造検出方法は、未確認領域の真正性を決定する不満足な一般化能力に悩まされている。
ACMF(Attention Consistency Refined masked frequency forgery representation model)を提案する。
いくつかのパブリックフェイスフォージェリーデータセットの実験結果から,提案手法の性能は最先端の手法と比較して優れていることが示された。
論文 参考訳（メタデータ） (2023-07-21T08:58:49Z) - A Dataless FaceSwap Detection Approach Using Synthetic Images [5.73382615946951]
本稿では,StyleGAN3を用いた合成データを用いて,実データの必要性を解消するディープフェイク検出手法を提案する。
これは、実際のデータを使用する従来のトレーニング方法論に匹敵するだけでなく、少量の実際のデータで微調整された場合、より優れた一般化能力を示す。
論文 参考訳（メタデータ） (2022-12-05T19:49:45Z) - End2End Occluded Face Recognition by Masking Corrupted Features [82.27588990277192]
最先端の一般的な顔認識モデルは、隠蔽された顔画像に対してうまく一般化しない。
本稿では,1つのエンドツーエンドのディープニューラルネットワークに基づいて,オクルージョンに頑健な新しい顔認識手法を提案する。
我々のアプローチは、深い畳み込みニューラルネットワークから破損した特徴を発見し、動的に学習されたマスクによってそれらをきれいにする。
論文 参考訳（メタデータ） (2021-08-21T09:08:41Z) - Fighting Deepfake by Exposing the Convolutional Traces on Images [0.0]
FACEAPPのようなモバイルアプリは、最も高度なGAN(Generative Adversarial Networks)を使用して、人間の顔写真に極端な変換を生成する。
この種のメディアオブジェクトはDeepfakeという名前を取って、マルチメディアの法医学分野における新たな課題であるDeepfake検出課題を提起した。
本稿では,画像からディープフェイク指紋を抽出する手法を提案する。
論文 参考訳（メタデータ） (2020-08-07T08:49:23Z) - FakeLocator: Robust Localization of GAN-Based Face Manipulations [19.233930372590226]
本稿では,FakeLocatorと呼ばれる新しいアプローチを提案する。
これは、GANベースのフェイクローカライゼーション問題をグレースケールのフェイクネスマップで解決する最初の試みである。
人気の高いFaceForensics++,DFFDデータセット,および7種類の最先端のGANベースの顔生成手法による実験結果から,本手法の有効性が示された。
論文 参考訳（メタデータ） (2020-01-27T06:15:01Z)
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。