論文の概要: Recap: Detecting Deepfake Video with Unpredictable Tampered Traces via
Recovering Faces and Mapping Recovered Faces
- arxiv url: http://arxiv.org/abs/2308.09921v1
- Date: Sat, 19 Aug 2023 06:18:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-22 19:12:19.413892
- Title: Recap: Detecting Deepfake Video with Unpredictable Tampered Traces via
Recovering Faces and Mapping Recovered Faces
- Title（参考訳）: Recap:顔の復元と顔のマッピングにより、予測不可能な追跡でディープフェイク動画を検出する
- Authors: Juan Hu, Xin Liao, Difei Gao, Satoshi Tsutsui, Qian Wang, Zheng Qin,
Mike Zheng Shou
- Abstract要約: 本稿では,顔の復元による非特異な顔部分の不整合を露呈する新しいディープフェイク検出モデルRecapを提案する。
回復段階において、モデルは興味のある領域をランダムにマスキングし、予測不能な痕跡を残さずに実際の顔を再構築することに焦点を当てる。
マッピング段階では、リカバリフェーズの出力が顔マッピングプロセスの指針となる。
- 参考スコア（独自算出の注目度）: 35.04806736119123
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The exploitation of Deepfake techniques for malicious intentions has driven
significant research interest in Deepfake detection. Deepfake manipulations
frequently introduce random tampered traces, leading to unpredictable outcomes
in different facial regions. However, existing detection methods heavily rely
on specific forgery indicators, and as the forgery mode improves, these traces
become increasingly randomized, resulting in a decline in the detection
performance of methods reliant on specific forgery traces. To address the
limitation, we propose Recap, a novel Deepfake detection model that exposes
unspecific facial part inconsistencies by recovering faces and enlarges the
differences between real and fake by mapping recovered faces. In the recovering
stage, the model focuses on randomly masking regions of interest (ROIs) and
reconstructing real faces without unpredictable tampered traces, resulting in a
relatively good recovery effect for real faces while a poor recovery effect for
fake faces. In the mapping stage, the output of the recovery phase serves as
supervision to guide the facial mapping process. This mapping process
strategically emphasizes the mapping of fake faces with poor recovery, leading
to a further deterioration in their representation, while enhancing and
refining the mapping of real faces with good representation. As a result, this
approach significantly amplifies the discrepancies between real and fake
videos. Our extensive experiments on standard benchmarks demonstrate that Recap
is effective in multiple scenarios.
- Abstract（参考訳）: 悪質な意図に対するディープフェイク技術の利用は、ディープフェイク検出に対する大きな研究の関心を呼んでいる。
ディープフェイク操作は、しばしばランダムな改ざんされた痕跡をもたらし、様々な顔領域で予測不能な結果をもたらす。
しかし、既存の検出手法は特定のフォージェリ指標に大きく依存しており、フォージェリモードの改善に伴ってこれらのトレースはランダム化され、特定のフォージェリトレースに依存するメソッドの検出性能が低下する。
この制限に対処するために,顔の復元による非特異な顔部分の不整合を露呈し,復元された顔のマッピングによって実と偽の差を拡大する新しいDeepfake検出モデルであるRecapを提案する。
回収段階では, ランダムマスキング領域(rois)に着目し, 予測不能な痕跡を残さずに実顔の復元を行い, 偽顔の回復効果が低下する一方で, 実顔の回復効果が比較的良好である。
マッピング段階では、リカバリフェーズの出力は、顔マッピングプロセスを導くための監督の役割を担っている。
このマッピングプロセスは、偽の顔のマッピングを貧弱なリカバリで戦略的に強調し、表現のさらなる劣化を招きつつ、実際の顔のマッピングを良い表現で強化・改善する。
その結果、このアプローチは実際のビデオと偽のビデオの相違を大幅に増幅する。
標準ベンチマークに関する広範な実験は、Recapが複数のシナリオで有効であることを示している。
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) - 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) - Delocate: Detection and Localization for Deepfake Videos with Randomly-Located Tampered Traces [33.37448000992396]
Delocateは、未知のドメインのDeepfakeビデオの認識とローカライズが可能な、新しいDeepfake検出モデルである。
広範に使用されている4つのベンチマークデータセットに対する実験により、乱れ領域のローカライズに限らず、ドメイン間検出性能も向上することが示された。
論文 参考訳（メタデータ） (2024-01-24T15:14:05Z) - 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) - MMNet: Multi-Collaboration and Multi-Supervision Network for Sequential
Deepfake Detection [81.59191603867586]
シークエンシャルディープフェイク検出は、回復のための正しいシーケンスで偽の顔領域を特定することを目的としている。
偽画像の復元には、逆変換を実装するための操作モデルの知識が必要である。
顔画像の空間スケールや逐次順列化を扱うマルチコラボレーション・マルチスーパービジョンネットワーク(MMNet)を提案する。
論文 参考訳（メタデータ） (2023-07-06T02:32:08Z) - Real Face Foundation Representation Learning for Generalized Deepfake
Detection [74.4691295738097]
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。
論文 参考訳（メタデータ） (2023-03-15T08:27:56Z) - 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) - Deepfake Detection for Facial Images with Facemasks [17.238556058316412]
フェイスマスクを用いたディープフェイクにおける最先端のディープフェイク検出モデルの性能を徹底的に評価した。
テマズクディープフェイク検出:顔パタンカードフェイスクロップの2つの手法を提案する。
論文 参考訳（メタデータ） (2022-02-23T09:01:27Z) - Lips Don't Lie: A Generalisable and Robust Approach to Face Forgery
Detection [118.37239586697139]
LipForensicsは、操作の一般化と様々な歪みに耐えられる検出アプローチである。
視覚的音声認識(リリーディング)を行うために、初めて時間ネットワークを事前訓練する。
その後、リアルタイムおよび偽造データの固定された口埋め込みに時間的ネットワークを微調整し、低レベルな操作固有のアーティファクトに過度に適合することなく、口の動きに基づいて偽のビデオを検出する。
論文 参考訳（メタデータ） (2020-12-14T15:53:56Z) - 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。