論文の概要: GazeForensics: DeepFake Detection via Gaze-guided Spatial Inconsistency
Learning
- arxiv url: http://arxiv.org/abs/2311.07075v2
- Date: Wed, 22 Nov 2023 23:49:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-28 02:10:47.042913
- Title: GazeForensics: DeepFake Detection via Gaze-guided Spatial Inconsistency
Learning
- Title（参考訳）: GazeForensics: 迷路誘導型空間不整合学習によるディープフェイク検出
- Authors: Qinlin He, Chunlei Peng, Decheng Liu, Nannan Wang, Xinbo Gao
- Abstract要約: 本稿では,3次元視線推定モデルから得られた視線表現を利用する,革新的なDeepFake検出手法であるGazeForensicsを紹介する。
実験の結果,提案したGazeForensicsは現在の最先端手法よりも優れていることがわかった。
- 参考スコア（独自算出の注目度）: 63.547321642941974
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: DeepFake detection is pivotal in personal privacy and public safety. With the
iterative advancement of DeepFake techniques, high-quality forged videos and
images are becoming increasingly deceptive. Prior research has seen numerous
attempts by scholars to incorporate biometric features into the field of
DeepFake detection. However, traditional biometric-based approaches tend to
segregate biometric features from general ones and freeze the biometric feature
extractor. These approaches resulted in the exclusion of valuable general
features, potentially leading to a performance decline and, consequently, a
failure to fully exploit the potential of biometric information in assisting
DeepFake detection. Moreover, insufficient attention has been dedicated to
scrutinizing gaze authenticity within the realm of DeepFake detection in recent
years. In this paper, we introduce GazeForensics, an innovative DeepFake
detection method that utilizes gaze representation obtained from a 3D gaze
estimation model to regularize the corresponding representation within our
DeepFake detection model, while concurrently integrating general features to
further enhance the performance of our model. Experiment results reveal that
our proposed GazeForensics outperforms the current state-of-the-art methods.
- Abstract（参考訳）: DeepFakeの検出は、個人のプライバシーと公衆の安全において重要である。
DeepFakeの技術が反復的に進歩するにつれ、高品質な偽造ビデオや画像はますます騙されつつある。
これまでの研究では、DeepFake検出の分野にバイオメトリックな特徴を取り入れようと、多くの研究者が試みてきた。
しかしながら、従来のバイオメトリックベースのアプローチは、一般的な特徴からバイオメトリックの特徴を分離し、バイオメトリックの特徴抽出器を凍結する傾向がある。
これらのアプローチは価値ある一般的な特徴を排除し、性能の低下を招き、ディープフェイク検出を支援する生体情報の可能性を完全に活用できなかった。
また,近年のディープフェイク検出領域における視線認証の精査にはあまり注意が払われていない。
本稿では,3次元視線推定モデルから得られた視線表現を利用して,我々のDeepFake検出モデル内の対応する表現を規則化し,一般特徴を同時統合してモデルの性能をさらに向上する,革新的なDeepFake検出手法であるGazeForensicsを紹介する。
実験の結果,提案したGazeForensicsは現在の最先端手法よりも優れていることがわかった。
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) - Semantics-Oriented Multitask Learning for DeepFake Detection: A Joint Embedding Approach [77.65459419417533]
本稿ではセマンティクス指向のDeepFake検出タスクをサポートするための自動データセット拡張手法を提案する。
また,顔画像とそれに対応するラベルを併用して予測を行う。
提案手法は,DeepFake検出の一般化性を向上し,人間の理解可能な説明を提供することで,ある程度のモデル解釈を行う。
論文 参考訳（メタデータ） (2024-08-29T07:11:50Z) - Masked Conditional Diffusion Model for Enhancing Deepfake Detection [20.018495944984355]
本研究では,深度検出のための仮設条件拡散モデル (MCDM) を提案する。
マスクされたプリスタン顔から様々な偽造顔を生成し、ディープフェイク検出モデルにジェネリックでロバストな表現を学習するよう促す。
論文 参考訳（メタデータ） (2024-02-01T12:06:55Z) - 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) - 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) - 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) - DeepFake Detection with Inconsistent Head Poses: Reproducibility and
Analysis [0.0]
本稿では,ヘッドポーズ推定に基づく既存のDeepFake検出手法について分析する。
以上の結果から,DeepFake検出のためのアートパフォーマンスに対する現在の文献の認識を正すことができた。
論文 参考訳（メタデータ） (2021-08-28T22:56:09Z) - Towards Generalizable and Robust Face Manipulation Detection via
Bag-of-local-feature [55.47546606878931]
そこで本稿では,局所的特徴の一般化能力とロバスト性を向上する顔の操作検出手法を提案する。
具体的には、パッチ間関係をエンコードするためにbag-of-featureアプローチを使ってトランスフォーマーを拡張し、明示的な監督なしにローカルな偽造機能を学ぶことができる。
論文 参考訳（メタデータ） (2021-03-14T12:50:48Z)
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。