論文の概要: Cross-domain Robust Deepfake Bias Expansion Network for Face Forgery
Detection
- arxiv url: http://arxiv.org/abs/2310.05124v1
- Date: Sun, 8 Oct 2023 11:30:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 12:25:41.496255
- Title: Cross-domain Robust Deepfake Bias Expansion Network for Face Forgery
Detection
- Title(参考訳): 顔偽造検出のためのクロスドメインロバストなディープフェイクバイアス拡張ネットワーク
- Authors: Weihua Liu, Lin Li, Chaochao Lin, Said Boumaraf
- Abstract要約: 本稿では,顔偽造検出を強化するために,クロスドメインロバストバイアス拡張ネットワーク(BENet)を導入する。
BENetは、入力顔の再構成にオートエンコーダを使用し、実際の顔の不変性を維持しつつ、再構成された偽顔と元の顔との差を選択的に強化する。
さらに、BENetは、サンプルが既知の分布に属するかどうかを決定する閾値を持つクロスドメイン検出器を組み込んでいる。
- 参考スコア(独自算出の注目度): 4.269822517578155
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid advancement of deepfake technologies raises significant concerns
about the security of face recognition systems. While existing methods leverage
the clues left by deepfake techniques for face forgery detection, malicious
users may intentionally manipulate forged faces to obscure the traces of
deepfake clues and thereby deceive detection tools. Meanwhile, attaining
cross-domain robustness for data-based methods poses a challenge due to
potential gaps in the training data, which may not encompass samples from all
relevant domains. Therefore, in this paper, we introduce a solution - a
Cross-Domain Robust Bias Expansion Network (BENet) - designed to enhance face
forgery detection. BENet employs an auto-encoder to reconstruct input faces,
maintaining the invariance of real faces while selectively enhancing the
difference between reconstructed fake faces and their original counterparts.
This enhanced bias forms a robust foundation upon which dependable forgery
detection can be built. To optimize the reconstruction results in BENet, we
employ a bias expansion loss infused with contrastive concepts to attain the
aforementioned objective. In addition, to further heighten the amplification of
forged clues, BENet incorporates a Latent-Space Attention (LSA) module. This
LSA module effectively captures variances in latent features between the
auto-encoder's encoder and decoder, placing emphasis on inconsistent
forgery-related information. Furthermore, BENet incorporates a cross-domain
detector with a threshold to determine whether the sample belongs to a known
distribution. The correction of classification results through the cross-domain
detector enables BENet to defend against unknown deepfake attacks from
cross-domain. Extensive experiments demonstrate the superiority of BENet
compared with state-of-the-art methods in intra-database and cross-database
evaluations.
- Abstract(参考訳): ディープフェイク技術の急速な進歩は、顔認識システムのセキュリティに対する大きな懸念を引き起こす。
既存の手法では、ディープフェイク技術が顔の偽造検出に用いている手がかりを利用するが、悪意のあるユーザーは故意に偽造された顔を操り、ディープフェイクの手がかりの痕跡を隠蔽し、検出ツールを騙すことができる。
一方で、データベースメソッドのクロスドメインロバスト性を実現することは、すべての関連するドメインのサンプルを包含しないトレーニングデータに潜在的なギャップがあるため、課題となる。
そこで本稿では,顔偽造検出の高速化を目的とした,クロスドメインロバストバイアス拡張ネットワーク(BENet)を提案する。
benetはオートエンコーダを使用して入力面を再構築し、実際の顔の不分散を維持しつつ、再建された偽の顔と元の顔との差異を選択的に強化する。
この強化されたバイアスは、依存可能な偽造検出を構築できる堅牢な基盤を形成する。
BENetにおける再構成結果の最適化には、上記の目的を達成するために、対照的な概念を取り入れたバイアス展開損失を用いる。
さらに、鍛造されたヒントの増幅をさらに高めるため、BENetにはLSAモジュールが組み込まれている。
このLSAモジュールは、自動エンコーダのエンコーダとデコーダの遅延特徴のばらつきを効果的に捉え、一貫性のない偽情報に重点を置いている。
さらに、BENetは、サンプルが既知の分布に属するかどうかを決定する閾値を持つクロスドメイン検出器を組み込んでいる。
クロスドメイン検出器による分類結果の補正により、BENetはクロスドメインからの未知のディープフェイク攻撃に対して防御することができる。
大規模な実験は、データベース内およびデータベース間評価における最先端手法と比較してBENetの優位性を示す。
関連論文リスト
- Masked Gamma-SSL: Learning Uncertainty Estimation via Masked Image
Modeling [19.000718685399935]
本研究では,単一の前方通過で高品質な不確実性推定を行うセマンティックセグメンテーションネットワークを提案する。
我々は、Masked Image Modeling (MIM) アプローチにより、基礎モデルと非ラベルデータセットの一般的な表現を利用する。
安全クリティカルなアプリケーションで使用されるニューラルネットワークでは、トレーニングデータのバイアスがエラーにつながる可能性がある。
論文 参考訳(メタデータ) (2024-02-27T15:49:54Z) - Overhead Line Defect Recognition Based on Unsupervised Semantic
Segmentation [8.672676348736834]
オーバーヘッドラインインスペクションは、可視光画像を用いた欠陥認識の恩恵が大きい。
本稿では,Faster RCNNネットワーク上に構築された新しい欠陥認識フレームワークを提案する。
論文 参考訳(メタデータ) (2023-11-02T03:52:59Z) - Improving Cross-dataset Deepfake Detection with Deep Information
Decomposition [57.284370468207214]
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。
論文 参考訳(メタデータ) (2023-09-30T12:30:25Z) - 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) - Context-Preserving Instance-Level Augmentation and Deformable
Convolution Networks for SAR Ship Detection [50.53262868498824]
ランダムな方向と部分的な情報損失によるSAR画像のターゲット形状の変形は、SAR船の検出において必須の課題である。
ターゲット内の部分的な情報損失に頑健なディープネットワークをトレーニングするためのデータ拡張手法を提案する。
論文 参考訳(メタデータ) (2022-02-14T07:01:01Z) - Double-Dot Network for Antipodal Grasp Detection [20.21384585441404]
本稿では,Double-Dot Network (DD-Net) という,対足足歩行検出のための新しい深層学習手法を提案する。
これは、経験的にプリセットされたアンカーに依存しない最近のアンカーフリーなオブジェクト検出フレームワークに従っている。
このような指先をローカライズするために効果的なCNNアーキテクチャを導入し、改良のための補助センターの助けを借りて、把握候補を正確かつ堅牢に推測する。
論文 参考訳(メタデータ) (2021-08-03T14:21:17Z) - Unsupervised Domain Adaptation from Synthetic to Real Images for
Anchorless Object Detection [0.0]
本稿では,アンカーレス物体検出器に非監視領域適応法を実装した。
私たちの仕事では、合成画像を含むドメイン適応問題のために、最新のアンカーレスアーキテクチャの1つである CenterNet を使用します。
論文 参考訳(メタデータ) (2020-12-15T10:51:43Z) - Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。
これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。
我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文 参考訳(メタデータ) (2020-12-10T23:28:36Z) - D-Unet: A Dual-encoder U-Net for Image Splicing Forgery Detection and
Localization [108.8592577019391]
画像スプライシング偽造検出は、画像指紋によって改ざんされた領域と非改ざんされた領域を区別するグローバルバイナリ分類タスクである。
画像スプライシングフォージェリ検出のためのデュアルエンコーダU-Net(D-Unet)という,固定されていないエンコーダと固定エンコーダを用いた新しいネットワークを提案する。
D-Unetと最先端技術の比較実験において、D-Unetは画像レベルおよび画素レベルの検出において他の手法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-03T10:54:02Z) - BiDet: An Efficient Binarized Object Detector [96.19708396510894]
本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。
我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。
我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
論文 参考訳(メタデータ) (2020-03-09T08:16:16Z)
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。