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: 処理完了
- 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
- 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) - FedForgery: Generalized Face Forgery Detection with Residual Federated
Learning [87.746829550726]
既存の顔偽造検出方法は、取得した共有データや集中データを直接利用して訓練を行う。
顔偽造検出のための一般化された残留フェデレーション学習(FedForgery)を提案する。
顔偽造検出データセットを公開して行った実験は、提案したFedForgeryの優れた性能を証明している。
論文 参考訳(メタデータ) (2022-10-18T03:32:18Z) - Deep Convolutional Pooling Transformer for Deepfake Detection [54.10864860009834]
本研究では,局所的・グローバル的に決定的な画像特徴を取り入れた深部畳み込み変換器を提案する。
具体的には,抽出した特徴を豊かにし,有効性を高めるために,畳み込みプーリングと再アテンションを適用した。
提案手法は、内部実験と相互データセット実験の両方において、最先端のベースラインを一貫して上回る。
論文 参考訳(メタデータ) (2022-09-12T15:05:41Z) - 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) - Deepfake Forensics via An Adversarial Game [99.84099103679816]
顔偽造と画像・映像品質の両面での一般化能力向上のための対人訓練を提唱する。
AIベースの顔操作は、しばしば、一般化が困難であるモデルによって容易に発見できる高周波アーティファクトにつながることを考慮し、これらの特定のアーティファクトを曖昧にしようとする新しい逆トレーニング手法を提案する。
論文 参考訳(メタデータ) (2021-03-25T02:20:08Z) - 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) - One-Shot GAN Generated Fake Face Detection [3.3707422585608953]
本稿では,汎用的なワンショットGAN生成顔検出手法を提案する。
提案手法は,シーン理解モデルを用いて顔から文脈外オブジェクトを抽出する。
実験の結果,文脈外の特徴の観点から,偽の顔と現実の顔とを識別できることが判明した。
論文 参考訳(メタデータ) (2020-03-27T05:51:14Z) - DotFAN: A Domain-transferred Face Augmentation Network for Pose and
Illumination Invariant Face Recognition [94.96686189033869]
本稿では,3次元モデルを用いたドメイン転送型顔強調ネットワーク(DotFAN)を提案する。
DotFANは、他のドメインから収集された既存のリッチフェイスデータセットから抽出された知識に基づいて、入力顔の一連の変種を生成することができる。
実験によると、DotFANは、クラス内の多様性を改善するために、小さな顔データセットを増やすのに有益である。
論文 参考訳(メタデータ) (2020-02-23T08:16:34Z) - Global Texture Enhancement for Fake Face Detection in the Wild [43.556943969290636]
本稿では,グローバルな画像テクスチャ表現を利用して,ロバストな偽画像検出を行うGram-Netという新しいアーキテクチャを提案する。
いくつかのデータセットの実験結果から、Gram-Netは既存のアプローチよりも優れています。
論文 参考訳(メタデータ) (2020-02-01T03:46:23Z) - 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。