論文の概要: Evading DeepFake Detectors via Adversarial Statistical Consistency
- arxiv url: http://arxiv.org/abs/2304.11670v1
- Date: Sun, 23 Apr 2023 14:40:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-25 17:03:49.932922
- Title: Evading DeepFake Detectors via Adversarial Statistical Consistency
- Title（参考訳）: 逆統計的一貫性によるディープフェイク検出器の回避
- Authors: Yang Hou, Qing Guo, Yihao Huang, Xiaofei Xie, Lei Ma, Jianjun Zhao
- Abstract要約: 本稿では,DeepFake検出器に対する統計的整合性攻撃(StatAttack)を提案する。
その結果,自然画像とディープフェイク画像の統計的差異は,2種類の画像の分布変化と正の相関関係があることが判明した。
4つの空間ベース検出器と4つのデータセットを持つ2つの周波数ベース検出器の総合的な実験結果から,提案手法の有効性が示された。
- 参考スコア（独自算出の注目度）: 18.208047806567702
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, as various realistic face forgery techniques known as
DeepFake improves by leaps and bounds,more and more DeepFake detection
techniques have been proposed. These methods typically rely on detecting
statistical differences between natural (i.e., real) and DeepFakegenerated
images in both spatial and frequency domains. In this work, we propose to
explicitly minimize the statistical differences to evade state-of-the-art
DeepFake detectors. To this end, we propose a statistical consistency attack
(StatAttack) against DeepFake detectors, which contains two main parts. First,
we select several statistical-sensitive natural degradations (i.e., exposure,
blur, and noise) and add them to the fake images in an adversarial way. Second,
we find that the statistical differences between natural and DeepFake images
are positively associated with the distribution shifting between the two kinds
of images, and we propose to use a distribution-aware loss to guide the
optimization of different degradations. As a result, the feature distributions
of generated adversarial examples is close to the natural images.Furthermore,
we extend the StatAttack to a more powerful version, MStatAttack, where we
extend the single-layer degradation to multi-layer degradations sequentially
and use the loss to tune the combination weights jointly. Comprehensive
experimental results on four spatial-based detectors and two frequency-based
detectors with four datasets demonstrate the effectiveness of our proposed
attack method in both white-box and black-box settings.
- Abstract（参考訳）: 近年では、DeepFakeと呼ばれる様々な現実的な顔偽造技術が跳躍と境界によって改善され、さらに多くのDeepFake検出技術が提案されている。
これらの手法は通常、空間領域と周波数領域の両方で自然(実)とディープフェイク生成画像の統計的差異を検出することに依存する。
本研究では,最先端のDeepFake検出器を回避するための統計的差異を明示的に最小化することを提案する。
そこで本研究では,2つの主成分を含むディープフェイク検出器に対する統計的一貫性攻撃(スタタタタタック)を提案する。
まず,統計に敏感な自然劣化(露光,ぼやき,ノイズなど)をいくつか選択し,敵対的な方法で偽画像に追加する。
第2に, 自然画像とディープフェイク画像の統計的差異は, 2種類の画像間の分布シフトに正の相関を示し, 異なる劣化の最適化を導くために分布認識損失を用いることを提案する。
その結果, 生成した逆数例の特徴分布は自然画像に近いが, さらに, StatAttackをより強力なバージョンであるMStatAttackに拡張し, 単層劣化を連続的に多層劣化に拡張し, 損失を利用して組み合わせ重量を調整した。
4つの空間ベース検出器と2つの周波数ベース検出器の総合的な実験結果から,提案手法の有効性が示された。
関連論文リスト
- FSBI: Deepfakes Detection with Frequency Enhanced Self-Blended Images [17.707379977847026]
本稿では、ディープフェイク検出のための周波数強調自己ブレンド画像手法を提案する。
提案手法はFF++とCeleb-DFデータセットで評価されている。
論文 参考訳（メタデータ） (2024-06-12T20:15:00Z) - Diff-Mosaic: Augmenting Realistic Representations in Infrared Small Target Detection via Diffusion Prior [63.64088590653005]
本稿では拡散モデルに基づくデータ拡張手法であるDiff-Mosaicを提案する。
我々は,モザイク画像を高度に調整し,リアルな画像を生成するPixel-Priorという拡張ネットワークを導入する。
第2段階では,Diff-Prior という画像強調戦略を提案する。
論文 参考訳（メタデータ） (2024-06-02T06:23:05Z) - Equipping Diffusion Models with Differentiable Spatial Entropy for Low-Light Image Enhancement [7.302792947244082]
本研究では,決定論的画素間比較から統計的視点へ焦点を移す新しい手法を提案する。
中心となる考え方は、損失関数に空間エントロピーを導入して、予測と目標の分布差を測定することである。
具体的には,拡散モデルにエントロピーを装備し,L1ベースノイズマッチング損失よりも高精度で知覚品質の向上を図っている。
論文 参考訳（メタデータ） (2024-04-15T12:35:10Z) - Adversarially Robust Deepfake Detection via Adversarial Feature Similarity Learning [0.0]
ディープフェイク技術は、デジタルコンテンツの信頼性を懸念し、効果的な検出方法の開発を必要としている。
敵は、検出モデルを騙して誤った出力を生成する、小さくて知覚できない摂動でディープフェイクビデオを操作できる。
本稿では,3つの基本的深い特徴学習パラダイムを統合したAFSL(Adversarial Feature similarity Learning)を紹介する。
論文 参考訳（メタデータ） (2024-02-06T11:35:05Z) - Diffusion Facial Forgery Detection [56.69763252655695]
本稿では,顔に焦点をあてた拡散生成画像を対象とした包括的データセットであるDiFFを紹介する。
人体実験といくつかの代表的な偽造検出手法を用いて,DiFFデータセットの広範な実験を行った。
その結果、人間の観察者と自動検出者の2値検出精度は30%以下であることが判明した。
論文 参考訳（メタデータ） (2024-01-29T03:20:19Z) - Parents and Children: Distinguishing Multimodal DeepFakes from Natural Images [60.34381768479834]
近年の拡散モデルの発展により、自然言語のテキストプロンプトから現実的なディープフェイクの生成が可能になった。
我々は、最先端拡散モデルにより生成されたディープフェイク検出に関する体系的研究を開拓した。
論文 参考訳（メタデータ） (2023-04-02T10:25:09Z) - 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,抽出した特徴を充実させ,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) - 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) - Adversarial Examples Detection beyond Image Space [88.7651422751216]
摂動と予測信頼の間にはコンプライアンスが存在することが分かり、予測信頼の面から少数の摂動攻撃を検出するための指針となる。
本研究では,画像ストリームが画素アーティファクトに注目し,勾配ストリームが信頼度アーティファクトに対応する2ストリームアーキテクチャによる画像空間を超えた手法を提案する。
論文 参考訳（メタデータ） (2021-02-23T09:55:03Z)
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。