論文の概要: Improving Cross-dataset Deepfake Detection with Deep Information
Decomposition
- arxiv url: http://arxiv.org/abs/2310.00359v1
- Date: Sat, 30 Sep 2023 12:30:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-05 04:51:02.629149
- Title: Improving Cross-dataset Deepfake Detection with Deep Information
Decomposition
- Title(参考訳): 深部情報分解によるクロスデータセットディープフェイク検出の改善
- Authors: Shanmin Yang, Shu Hu, Bin Zhu, Ying Fu, Siwei Lyu, Xi Wu, Xin Wang
- Abstract要約: ディープフェイク技術は、セキュリティと社会的信頼に重大な脅威をもたらす。
既存の検出方法は、クロスデータセットのシナリオに直面した場合、パフォーマンスの急激な低下に悩まされる。
本稿では,深層情報分解(DID)フレームワークを提案する。
- 参考スコア(独自算出の注目度): 57.284370468207214
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deepfake technology poses a significant threat to security and social trust.
Although existing detection methods have demonstrated high performance in
identifying forgeries within datasets using the same techniques for training
and testing, they suffer from sharp performance degradation when faced with
cross-dataset scenarios where unseen deepfake techniques are tested. To address
this challenge, we propose a deep information decomposition (DID) framework in
this paper. Unlike most existing deepfake detection methods, our framework
prioritizes high-level semantic features over visual artifacts. Specifically,
it decomposes facial features into deepfake-related and irrelevant information
and optimizes the deepfake information for real/fake discrimination to be
independent of other factors. Our approach improves the robustness of deepfake
detection against various irrelevant information changes and enhances the
generalization ability of the framework to detect unseen forgery methods.
Extensive experimental comparisons with existing state-of-the-art detection
methods validate the effectiveness and superiority of the DID framework on
cross-dataset deepfake detection.
- Abstract(参考訳): ディープフェイク技術は、セキュリティと社会的信頼に大きな脅威をもたらす。
既存の検出方法は、トレーニングやテストに同じテクニックを使用してデータセット内の偽造を識別する上で高いパフォーマンスを示しているが、見当たらないdeepfakeテクニックをテストするクロスデータセットシナリオに直面すると、パフォーマンスが著しく低下する。
この課題に対処するため,本稿では,深層情報分解(DID)フレームワークを提案する。
既存のdeepfake検出手法とは異なり、フレームワークはビジュアルアーティファクトよりもハイレベルなセマンティクス機能を優先しています。
具体的には、顔の特徴をディープフェイク関連および無関係な情報に分解し、リアル/フェイク識別のためのディープフェイク情報を他の要因とは独立に最適化する。
提案手法は,無関係な情報変化に対するディープフェイク検出の堅牢性を向上し,未知の偽造法を検出するフレームワークの一般化能力を向上する。
既存の最先端検出手法との比較により, クロスデータセット深度検出におけるDIDフレームワークの有効性と優位性を検証した。
関連論文リスト
- 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) - Facial Forgery-based Deepfake Detection using Fine-Grained Features [7.378937711027777]
ディープフェイクによる顔の偽造は、大きなセキュリティリスクを引き起こし、深刻な社会的懸念を引き起こしている。
我々は,詳細な分類問題としてディープフェイク検出を定式化し,それに対する新たなきめ細かな解を提案する。
本手法は, 背景雑音を効果的に抑制し, 様々なスケールの識別特徴を学習することにより, 微妙で一般化可能な特徴を学習し, 深度検出を行う。
論文 参考訳(メタデータ) (2023-10-10T21:30:05Z) - Assessment Framework for Deepfake Detection in Real-world Situations [13.334500258498798]
ディープラーニングに基づくディープフェイク検出手法は優れた性能を示した。
様々な画像処理操作と典型的なワークフロー歪みが検出精度に与える影響は, 体系的に測定されていない。
より現実的な環境下での学習に基づくディープフェイク検出の性能を評価するために,より信頼性の高い評価フレームワークを提案する。
論文 参考訳(メタデータ) (2023-04-12T19:09:22Z) - 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) - 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) - Delving into Sequential Patches for Deepfake Detection [64.19468088546743]
近年の顔偽造技術は、ほとんど追跡不可能なディープフェイクビデオを生み出しており、悪意のある意図で活用することができる。
従来の研究では、ディープフェイク法にまたがる一般化を追求する上で、局所的な低レベルな手がかりと時間的情報の重要性が指摘されてきた。
本稿では,局所的・時間的変換をベースとしたDeepfake Detectionフレームワークを提案する。
論文 参考訳(メタデータ) (2022-07-06T16:46:30Z) - A Continual Deepfake Detection Benchmark: Dataset, Methods, and
Essentials [97.69553832500547]
本稿では, 既知の生成モデルと未知の生成モデルの両方から, 新たなディープフェイク集合に対する連続的なディープフェイク検出ベンチマーク(CDDB)を提案する。
本研究では,連続的なディープラーニング検出問題に対して,連続的な視覚認識で一般的に使用される多クラス漸進学習手法を適応するために,複数のアプローチを利用する。
論文 参考訳(メタデータ) (2022-05-11T13:07:19Z) - On Improving Cross-dataset Generalization of Deepfake Detectors [1.0152838128195467]
ディープフェイクによる顔の操作は、大きなセキュリティリスクを引き起こし、深刻な社会的懸念を引き起こしている。
我々は、教師付きおよび強化学習(RL)のハイブリッド組み合わせとして深層偽検出を定式化し、そのクロスデータセット一般化性能を改善する。
提案手法は,ディープフェイク検出器のクロスデータセット一般化における既存の研究よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-04-08T20:34:53Z) - Impact of Benign Modifications on Discriminative Performance of Deepfake
Detectors [11.881119750753648]
このような内容を特定するために、近年、多くのディープフェイク検出器が提案されている。
ディープフェイクは、エンターテイメントのような忠実なアプリケーションと、画像やビデオの偽造のような悪意ある意図された操作の両方で人気がある。
本稿では,より現実的な状況下でのディープフェイク検出器の性能を評価するための,より厳密で体系的な枠組みを提案する。
論文 参考訳(メタデータ) (2021-11-14T22:50:39Z) - 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)
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。