論文の概要: UVL2: A Unified Framework for Video Tampering Localization

• arxiv url: http://arxiv.org/abs/2309.16126v2
• Date: Thu, 5 Sep 2024 04:48:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-07 04:41:34.227950
• Title: UVL2: A Unified Framework for Video Tampering Localization
• Title（参考訳）: UVL2: ビデオタンパローカライゼーションのための統一フレームワーク
• Authors: Pengfei Pei,
• Abstract要約: 悪意のあるビデオの改ざんは、世間の誤解、財産の喪失、法的な論争につながる可能性がある。 本稿では,映像の塗布とスプライシングの検知性能を大幅に向上させる,効果的なビデオ改ざん局面ネットワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the advancement of deep learning-driven video editing technology, security risks have emerged. Malicious video tampering can lead to public misunderstanding, property losses, and legal disputes. Currently, detection methods are mostly limited to specific datasets, with limited detection performance for unknown forgeries, and lack of robustness for processed data. This paper proposes an effective video tampering localization network that significantly improves the detection performance of video inpainting and splicing by extracting more generalized features of forgery traces. Considering the inherent differences between tampered videos and original videos, such as edge artifacts, pixel distribution, texture features, and compress information, we have specifically designed four modules to independently extract these features. Furthermore, to seamlessly integrate these features, we employ a two-stage approach utilizing both a Convolutional Neural Network and a Vision Transformer, enabling us to learn these features in a local-to-global manner. Experimental results demonstrate that the method significantly outperforms the existing state-of-the-art methods and exhibits robustness.
• Abstract（参考訳）: ディープラーニング駆動のビデオ編集技術の進歩により、セキュリティリスクが浮上した。 悪意のあるビデオの改ざんは、世間の誤解、財産の喪失、法的な論争につながる可能性がある。 現在、検出方法は、主に特定のデータセットに限られており、未知のフォージェリーに対する検出性能に制限があり、処理データに対する堅牢性の欠如がある。 本稿では,フォージェリトレースのより一般化された特徴を抽出することにより,映像の塗布およびスプライシングの検出性能を大幅に向上する効果的なビデオ改ざんネットワークを提案する。 改ざんされたビデオと、エッジアーティファクト、画素分布、テクスチャ特徴、圧縮情報などのオリジナルビデオとの違いを考慮し、これらの特徴を独立して抽出する4つのモジュールを特別に設計した。 さらに、これらの特徴をシームレスに統合するために、畳み込みニューラルネットワークとビジョントランスフォーマーの両方を利用した2段階のアプローチを採用し、これらの特徴を局所的・言語的に学習することを可能にする。 実験結果から,本手法は既存の最先端手法よりも優れ,ロバスト性を示すことが示された。

関連論文リスト

• Zero-Shot Video Editing through Adaptive Sliding Score Distillation [51.57440923362033]
  本研究は,オリジナルビデオコンテンツの直接操作を容易にする,ビデオベースのスコア蒸留の新たなパラダイムを提案する。 本稿では,グローバルとローカルの両方の動画ガイダンスを取り入れた適応スライディングスコア蒸留方式を提案する。
  論文  参考訳（メタデータ） (2024-06-07T12:33:59Z)
• Video Infringement Detection via Feature Disentanglement and Mutual Information Maximization [51.206398602941405]
  本稿では,元の高次元特徴を複数のサブ機能に分解することを提案する。 歪んだサブ機能の上に,サブ機能を強化する補助的特徴を学習する。 提案手法は,大規模SVDデータセット上で90.1%のTOP-100 mAPを達成し,VCSLベンチマークデータセット上で新たな最先端を設定できる。
  論文  参考訳（メタデータ） (2023-09-13T10:53:12Z)
• Video Segmentation Learning Using Cascade Residual Convolutional Neural Network [0.0]
  本研究では,残差情報を前景検出学習プロセスに組み込んだ新しい深層学習ビデオセグメンテーション手法を提案する。 Change Detection 2014とPetrobrasのプライベートデータセットであるPetrobrasROUTESで実施された実験は、提案手法の有効性を支持している。
  論文  参考訳（メタデータ） (2022-12-20T16:56:54Z)
• Multimodal Graph Learning for Deepfake Detection [10.077496841634135]
  既存のディープフェイク検出器は、堅牢性と一般化を達成する上でいくつかの課題に直面している。 本稿では,マルチモーダルグラフ学習(MGL)という新しいフレームワークを提案する。 提案手法は,ディープフェイク検出のための特徴を効果的に識別し,活用することを目的としている。
  論文  参考訳（メタデータ） (2022-09-12T17:17:49Z)
• NSNet: Non-saliency Suppression Sampler for Efficient Video Recognition [89.84188594758588]
  非定常フレームの応答を抑制するために, NSNet(Non-Sliency Suppression Network)を提案する。 NSNetは最先端の精度効率トレードオフを実現し、最先端の手法よりもはるかに高速な2.44.3xの実用的な推論速度を示す。
  論文  参考訳（メタデータ） (2022-07-21T09:41:22Z)
• Combining Contrastive and Supervised Learning for Video Super-Resolution Detection [0.0]
  コントラストとクロスエントロピーの損失を用いた視覚表現の学習に基づく新しいアップスケール分解能検出法を提案する。 本手法は,圧縮ビデオにおいてもアップスケーリングを効果的に検出し,最先端の代替品よりも優れる。
  論文  参考訳（メタデータ） (2022-05-20T18:58:13Z)
• Video Salient Object Detection via Contrastive Features and Attention Modules [106.33219760012048]
  本稿では,注目モジュールを持つネットワークを用いて,映像の有意な物体検出のためのコントラスト特徴を学習する。 コアテンションの定式化は、低レベル特徴と高レベル特徴を組み合わせるために用いられる。 提案手法は計算量が少なく,最先端の手法に対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2021-11-03T17:40:32Z)
• Semi-Supervised Action Recognition with Temporal Contrastive Learning [50.08957096801457]
  2つの異なる速度でラベル付きビデオを用いて2経路の時間的コントラストモデルを学習する。 我々は最先端の半教師付き画像認識手法の映像拡張性能を著しく向上させた。
  論文  参考訳（メタデータ） (2021-02-04T17:28:35Z)
• FOCAL: A Forgery Localization Framework based on Video Coding Self-Consistency [26.834506269499094]
  本稿では,ビデオフレーム内における符号化トレースの自己整合性を検証するビデオフォージェリーローカライゼーションフレームワークを提案する。 全体フレームワークは、時間的スプライシングと空間的スプライシングの2つの典型的なフォージェリーシナリオで検証された。 実験結果から,空間スプライシングにおける時間的スプライシングの局所化に関する最先端技術の改善と,空間スプライシングの新たな取組における有望な性能が示された。
  論文  参考訳（メタデータ） (2020-08-24T13:55:14Z)
• VideoForensicsHQ: Detecting High-quality Manipulated Face Videos [77.60295082172098]
  偽造検知器の性能は、人間の目で見られる人工物の存在にどのように依存するかを示す。 前例のない品質の顔ビデオ偽造検出のための新しいベンチマークデータセットを導入する。
  論文  参考訳（メタデータ） (2020-05-20T21:17:43Z)

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。