論文の概要: UCF: Uncovering Common Features for Generalizable Deepfake Detection
- arxiv url: http://arxiv.org/abs/2304.13949v2
- Date: Sat, 28 Oct 2023 10:17:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-31 22:53:52.924690
- Title: UCF: Uncovering Common Features for Generalizable Deepfake Detection
- Title（参考訳）: UCF: 一般化可能なディープフェイク検出のための共通機能を明らかにする
- Authors: Zhiyuan Yan, Yong Zhang, Yanbo Fan, Baoyuan Wu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 44.12640679000489
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deepfake detection remains a challenging task due to the difficulty of
generalizing to new types of forgeries. This problem primarily stems from the
overfitting of existing detection methods to forgery-irrelevant features and
method-specific patterns. The latter has been rarely studied and not well
addressed by previous works. This paper presents a novel approach to address
the two types of overfitting issues by uncovering common forgery features.
Specifically, we first propose a disentanglement framework that decomposes
image information into three distinct components: forgery-irrelevant,
method-specific forgery, and common forgery features. To ensure the decoupling
of method-specific and common forgery features, a multi-task learning strategy
is employed, including a multi-class classification that predicts the category
of the forgery method and a binary classification that distinguishes the real
from the fake. Additionally, a conditional decoder is designed to utilize
forgery features as a condition along with forgery-irrelevant features to
generate reconstructed images. Furthermore, a contrastive regularization
technique is proposed to encourage the disentanglement of the common and
specific forgery features. Ultimately, we only utilize the common forgery
features for the purpose of generalizable deepfake detection. Extensive
evaluations demonstrate that our framework can perform superior generalization
than current state-of-the-art methods.
- Abstract（参考訳）: ディープフェイク検出は、新しいタイプの偽造物への一般化が困難であるため、依然として困難な課題である。
この問題は、主に既存の検出手法の過剰適合から、偽りのない特徴やメソッド固有のパターンに起因している。
後者は研究されることはめったになく、以前の作品ではうまく扱っていない。
本稿では,2種類のオーバーフィッティング問題に共通の偽造特徴を明らかにすることによって対処する手法を提案する。
具体的には、まず、画像情報を3つの異なる要素(forgery-irrelevant、method-specific forgery、common forgery)に分解する異角化フレームワークを提案する。
メソッド固有の一般的な偽造特徴の分離を確保するために、偽造方法のカテゴリを予測するマルチクラス分類と、実と偽物とを区別するバイナリ分類を含むマルチタスク学習戦略を採用する。
さらに、条件付きデコーダは、forgery-unrelevant featuresと共に条件としてforgery機能を利用するように設計され、再構成された画像を生成する。
さらに, 共通および特異な偽造特徴の絡み合いを促進するために, 対照的な正則化手法を提案する。
最終的には、一般化可能なディープフェイク検出のためにのみ、一般的な偽造機能を利用する。
広範な評価は、現在の最先端メソッドよりも優れた一般化を実現することができることを示した。
関連論文リスト
- Learning Expressive And Generalizable Motion Features For Face Forgery
Detection [52.54404879581527]
本稿では,既存のビデオ分類手法に基づく,シーケンスに基づく効果的な偽造検出フレームワークを提案する。
動作特徴をより表現しやすくするために,別の動作整合ブロックを提案する。
一般的なビデオ分類ネットワークを3つの顔偽造データに対して有望な結果を達成する。
論文 参考訳（メタデータ） (2024-03-08T09:25:48Z) - Transcending Forgery Specificity with Latent Space Augmentation for Generalizable Deepfake Detection [57.646582245834324]
LSDAと呼ばれる簡易で効果的なディープフェイク検出器を提案する。
より多様な偽の表現は、より一般化可能な決定境界を学べるべきである。
提案手法は驚くほど有効であり, 広く使用されている複数のベンチマークで最先端の検出器を超越することを示す。
論文 参考訳（メタデータ） (2023-11-19T09:41:10Z) - COMICS: End-to-end Bi-grained Contrastive Learning for Multi-face Forgery Detection [56.7599217711363]
顔偽造認識法は一度に1つの顔しか処理できない。
ほとんどの顔偽造認識法は一度に1つの顔しか処理できない。
マルチフェイスフォージェリ検出のためのエンドツーエンドフレームワークであるCOMICSを提案する。
論文 参考訳（メタデータ） (2023-08-03T03:37:13Z) - Discrepancy-Guided Reconstruction Learning for Image Forgery Detection [10.221066530624373]
本稿ではまず,不規則な視覚パターンを抽出するDisrepancy-Guided (DisGE)を提案する。
次にDouHR(Dou-Head Reconstruction)モジュールを導入し、異なる粒度空間における真のコンパクトな視覚パターンを強化する。
さらに、DouHRでは、これらの真のコンパクトな視覚パターンを集約するDiscrepancy-Aggregation Detector (DisAD)を導入する。
論文 参考訳（メタデータ） (2023-04-26T07:40:43Z) - Beyond the Prior Forgery Knowledge: Mining Critical Clues for General
Face Forgery Detection [61.74632676703288]
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。
論文 参考訳（メタデータ） (2023-04-24T23:02:27Z) - SeeABLE: Soft Discrepancies and Bounded Contrastive Learning for
Exposing Deepfakes [7.553507857251396]
本研究では,検出問題を(一級)アウト・オブ・ディストリビューション検出タスクとして形式化する,SeeABLEと呼ばれる新しいディープフェイク検出器を提案する。
SeeABLEは、新しい回帰ベースの有界コントラスト損失を使用して、乱れた顔を事前定義されたプロトタイプにプッシュする。
我々のモデルは競合する最先端の検出器よりも高い性能を示しながら、高度に一般化能力を示す。
論文 参考訳（メタデータ） (2022-11-21T09:38:30Z) - Self-Supervised Predictive Convolutional Attentive Block for Anomaly
Detection [97.93062818228015]
本稿では,再建に基づく機能を,新たな自己監督型予測アーキテクチャビルディングブロックに統合することを提案する。
我々のブロックは、受容領域におけるマスク領域に対する再構成誤差を最小限に抑える損失を備える。
画像やビデオの異常検出のための最先端フレームワークに組み込むことで,ブロックの汎用性を実証する。
論文 参考訳（メタデータ） (2021-11-17T13:30:31Z)
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。