論文の概要: Beyond the Prior Forgery Knowledge: Mining Critical Clues for General Face Forgery Detection

• arxiv url: http://arxiv.org/abs/2304.12489v1
• Date: Mon, 24 Apr 2023 23:02:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-26 22:27:07.406608
• Title: Beyond the Prior Forgery Knowledge: Mining Critical Clues for General Face Forgery Detection
• Title（参考訳）: 先行偽造知識を超えて--顔偽造検出のための重要な手がかりのマイニング
• Authors: Anwei Luo, Chenqi Kong, Jiwu Huang, Yongjian Hu, Xiangui Kang and Alex C. Kot
• Abstract要約: 本稿では,様々なバックボーンを柔軟に組立てて一般化と性能を向上させる,新しいクリティカルフォージェリーマイニングフレームワークを提案する。 具体的には,まず,従来の知識に依存しないデータ拡張を通じて,細粒度三重項を構築し,特定の偽の痕跡を抑える。 そこで我々は,例えば,局所的類似性を意識した損失を通じて,偽造の重要情報をマイニングする,きめ細かな関係学習プロトタイプを提案する。
• 参考スコア（独自算出の注目度）: 61.74632676703288
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Face forgery detection is essential in combating malicious digital face attacks. Previous methods mainly rely on prior expert knowledge to capture specific forgery clues, such as noise patterns, blending boundaries, and frequency artifacts. However, these methods tend to get trapped in local optima, resulting in limited robustness and generalization capability. To address these issues, we propose a novel Critical Forgery Mining (CFM) framework, which can be flexibly assembled with various backbones to boost their generalization and robustness performance. Specifically, we first build a fine-grained triplet and suppress specific forgery traces through prior knowledge-agnostic data augmentation. Subsequently, we propose a fine-grained relation learning prototype to mine critical information in forgeries through instance and local similarity-aware losses. Moreover, we design a novel progressive learning controller to guide the model to focus on principal feature components, enabling it to learn critical forgery features in a coarse-to-fine manner. The proposed method achieves state-of-the-art forgery detection performance under various challenging evaluation settings.
• Abstract（参考訳）: 悪意のあるデジタル顔攻撃と戦うためには、顔偽造検出が不可欠である。 従来の手法は主に、ノイズパターン、ブレンディング境界、周波数アーティファクトといった特定の偽の手がかりを捉えるための専門知識に依存していた。 しかし、これらの手法は局所最適に閉じ込められやすいため、ロバスト性や一般化能力は制限される。 これらの問題に対処するために,我々は,その一般化と堅牢性向上のために,様々なバックボーンを柔軟に組み立てることのできる,新しい批判的偽造マイニング(cfm)フレームワークを提案する。 具体的には,まず三重項の微細化と,事前知識に依存しないデータ拡張による特定の偽の痕跡の抑制を行う。 続いて, 偽造の重要情報を抽出し, 局所的類似性を考慮した損失を抽出する, 微粒な関係学習プロトタイプを提案する。 さらに,モデルが主特徴成分に焦点を合わせるための新しいプログレッシブ・ラーニング・コントローラを設計し,より粗い方法で重要な偽造特徴を学習できるようにする。 提案手法は,様々な評価条件下での最先端の偽造検出性能を実現する。

関連論文リスト

• Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [58.60915132222421]
  本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。 フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。 設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
  論文  参考訳（メタデータ） (2024-08-23T01:53:36Z)
• UniForensics: Face Forgery Detection via General Facial Representation [60.5421627990707]
  高レベルの意味的特徴は摂動の影響を受けにくく、フォージェリー固有の人工物に限らないため、より強い一般化がある。 我々は、トランスフォーマーベースのビデオネットワークを活用する新しいディープフェイク検出フレームワークUniForensicsを導入し、顔の豊かな表現のためのメタファンクショナルな顔分類を行う。
  論文  参考訳（メタデータ） (2024-07-26T20:51:54Z)
• Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
  ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。 既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。 本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-07-31T10:22:33Z)
• 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)
• UCF: Uncovering Common Features for Generalizable Deepfake Detection [44.12640679000489]
  ディープフェイク検出は、新しい種類の偽造を一般化することが困難であるため、依然として難しい課題である。 本稿では,2種類のオーバーフィッティング問題に共通する偽造特徴を明らかにすることによって対処する新しい手法を提案する。 我々のフレームワークは現在の最先端手法よりも優れた一般化を行うことができる。
  論文  参考訳（メタデータ） (2023-04-27T04:07:29Z)
• Learning to mask: Towards generalized face forgery detection [10.155873909545198]
  フェースフォージェリ検出器にとって、偽造の見当たらない型に対する一般化性は不可欠である。 私たちの目標は、トレーニングフェーズで簡単に学習できる機能を減らすことで、特定のフォージェリータイプに過度に適合するリスクを減らすことです。 機能領域の偽造を合成するために、深い機能混在戦略も提案されている。
  論文  参考訳（メタデータ） (2022-12-29T13:55:28Z)
• Dual Contrastive Learning for General Face Forgery Detection [64.41970626226221]
  本稿では,正と負のペアデータを構成するDCL (Dual Contrastive Learning) という新しい顔偽造検出フレームワークを提案する。 本研究は, 事例内コントラスト学習(Intra-ICL)において, 偽造顔における局所的内容の不整合に焦点をあてる。
  論文  参考訳（メタデータ） (2021-12-27T05:44:40Z)

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。