論文の概要: DeepFidelity: Perceptual Forgery Fidelity Assessment for Deepfake Detection

• arxiv url: http://arxiv.org/abs/2312.04961v1
• Date: Thu, 7 Dec 2023 07:19:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-11 15:25:06.065248
• Title: DeepFidelity: Perceptual Forgery Fidelity Assessment for Deepfake Detection
• Title（参考訳）: DeepFidelity:ディープフェイク検出のための知覚的フォージェリフィデリティアセスメント
• Authors: Chunlei Peng, Huiqing Guo, Decheng Liu, Nannan Wang, Ruimin Hu, Xinbo Gao
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 67.3143177137102
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deepfake detection refers to detecting artificially generated or edited faces in images or videos, which plays an essential role in visual information security. Despite promising progress in recent years, Deepfake detection remains a challenging problem due to the complexity and variability of face forgery techniques. Existing Deepfake detection methods are often devoted to extracting features by designing sophisticated networks but ignore the influence of perceptual quality of faces. Considering the complexity of the quality distribution of both real and fake faces, we propose a novel Deepfake detection framework named DeepFidelity to adaptively distinguish real and fake faces with varying image quality by mining the perceptual forgery fidelity of face images. Specifically, we improve the model's ability to identify complex samples by mapping real and fake face data of different qualities to different scores to distinguish them in a more detailed way. In addition, we propose a network structure called Symmetric Spatial Attention Augmentation based vision Transformer (SSAAFormer), which uses the symmetry of face images to promote the network to model the geographic long-distance relationship at the shallow level and augment local features. Extensive experiments on multiple benchmark datasets demonstrate the superiority of the proposed method over state-of-the-art methods.
• Abstract（参考訳）: ディープフェイク検出(deepfake detection)とは、画像やビデオの中で人工的に生成された顔や編集された顔を検出することを指す。 近年の有望な進歩にもかかわらず、フェイス偽造技術の複雑さと可変性のため、ディープフェイク検出は依然として困難な問題である。 既存のディープフェイク検出法は、しばしば高度なネットワークを設計することで特徴を抽出するが、顔の知覚品質の影響を無視する。 実顔と偽顔の双方の品質分布の複雑さを考慮した新しいディープフェイク検出フレームワーク「deepfidelity」を提案する。 具体的には、異なる品質の顔データと偽の顔データを異なるスコアにマッピングすることで、複雑なサンプルをより詳細な方法で識別するモデルの能力を向上させる。 さらに、顔画像の対称性を利用して、浅層における地理的長距離関係をモデル化し、局所的な特徴を増強する、対称空間的注意強化型視覚トランスフォーマ(ssaaformer)と呼ばれるネットワーク構造を提案する。 複数のベンチマークデータセットに対する大規模な実験は、提案手法が最先端手法よりも優れていることを示す。

関連論文リスト

• Deepfake detection by exploiting surface anomalies: the SurFake approach [29.088218634944116]
  本稿では, ディープフェイク生成が, 買収時のシーン全体の特性に与える影響について検討する。 画像に描かれた表面の特性を解析することにより、深度検出のためにCNNを訓練するのに使用できる記述子を得ることができる。
  論文  参考訳（メタデータ） (2023-10-31T16:54:14Z)
• COMICS: End-to-end Bi-grained Contrastive Learning for Multi-face Forgery Detection [56.7599217711363]
  顔偽造認識法は一度に1つの顔しか処理できない。 ほとんどの顔偽造認識法は一度に1つの顔しか処理できない。 マルチフェイスフォージェリ検出のためのエンドツーエンドフレームワークであるCOMICSを提案する。
  論文  参考訳（メタデータ） (2023-08-03T03:37:13Z)
• 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)
• Detect and Locate: A Face Anti-Manipulation Approach with Semantic and Noise-level Supervision [67.73180660609844]
  本稿では,画像中の偽造顔を効率的に検出する,概念的にシンプルだが効果的な方法を提案する。 提案手法は,画像に関する意味の高い意味情報を提供するセグメンテーションマップに依存する。 提案モデルでは,最先端検出精度と顕著なローカライゼーション性能を実現する。
  論文  参考訳（メタデータ） (2021-07-13T02:59:31Z)
• Robust Face-Swap Detection Based on 3D Facial Shape Information [59.32489266682952]
  顔のスワップ画像やビデオは、悪意ある攻撃者を惹きつけ、重要な人物の信用を損ねている。 以前のピクセルレベルのアーティファクトに基づく検出技術は、常に不明瞭なパターンにフォーカスするが、利用可能なセマンティックなヒントは無視する。 キーフィギュアの顔・スワップ検出のための外観・形状特徴をフル活用するための生体情報に基づく手法を提案する。
  論文  参考訳（メタデータ） (2021-04-28T09:35:48Z)
• 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)
• Improving DeepFake Detection Using Dynamic Face Augmentation [0.8793721044482612]
  ほとんどの公開可能なDeepFake検出データセットには、限られたバリエーションがある。 ディープニューラルネットワークは、DeepFakeコンテンツの操作機能を検出するための学習ではなく、顔の特徴にオーバーフィットする傾向があります。 DeepFake検出を改善するために、CNN(Convolutional Neural Networks)をトレーニングするためのデータ拡張方法であるFace-Cutoutを紹介します。
  論文  参考訳（メタデータ） (2021-02-18T20:25:45Z)

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。