論文の概要: Individualized Deepfake Detection Exploiting Traces Due to Double
Neural-Network Operations
- arxiv url: http://arxiv.org/abs/2312.08034v1
- Date: Wed, 13 Dec 2023 10:21:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-14 15:45:10.381273
- Title: Individualized Deepfake Detection Exploiting Traces Due to Double
Neural-Network Operations
- Title（参考訳）: ニューラルネットの二重動作による個々のディープフェイク検出
- Authors: Mushfiqur Rahman, Runze Liu, Chau-Wai Wong, Huaiyu Dai
- Abstract要約: 既存のディープフェイク検出器は、画像が特定かつ識別可能な個人と関連付けられている場合、この検出タスクに最適化されない。
本研究では,個々の人物の顔画像のディープフェイク検出に焦点を当てた。
ニューラルネットワークのイデオロシティ特性を利用して検出性能を向上できることを実証する。
- 参考スコア（独自算出の注目度）: 32.33331065408444
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In today's digital landscape, journalists urgently require tools to verify
the authenticity of facial images and videos depicting specific public figures
before incorporating them into news stories. Existing deepfake detectors are
not optimized for this detection task when an image is associated with a
specific and identifiable individual. This study focuses on the deepfake
detection of facial images of individual public figures. We propose to
condition the proposed detector on the identity of the identified individual
given the advantages revealed by our theory-driven simulations. While most
detectors in the literature rely on perceptible or imperceptible artifacts
present in deepfake facial images, we demonstrate that the detection
performance can be improved by exploiting the idempotency property of neural
networks. In our approach, the training process involves double neural-network
operations where we pass an authentic image through a deepfake simulating
network twice. Experimental results show that the proposed method improves the
area under the curve (AUC) from 0.92 to 0.94 and reduces its standard deviation
by 17\%. For evaluating the detection performance of individual public figures,
a facial image dataset with individuals' names is required, a criterion not met
by the current deepfake datasets. To address this, we curated a dataset
comprising 32k images featuring 45 public figures, which we intend to release
to the public after the paper is published.
- Abstract（参考訳）: 今日のデジタル・ランドスケープでは、ジャーナリストは特定の公共の人物を描いた顔画像やビデオの真正性を、ニュース記事に組み込む前に検証するツールを必要としている。
既存のディープフェイク検出器は、画像が特定の特定個人と関連付けられている場合、この検出タスクに最適化されない。
本研究では,個人の顔画像のディープフェイク検出に焦点をあてた。
提案手法は, 理論駆動シミュレーションで明らかな利点を考慮し, 同定された個体の身元を推定する。
文献中のほとんどの検出器は、ディープフェイクの顔画像に存在する知覚可能または知覚不能なアーティファクトに依存しているが、ニューラルネットワークのべき等性を利用して検出性能を向上できることを実証する。
本手法では,ディープフェイクシミュレートネットワークを2回通過する2つのニューラルネット処理を行う。
実験の結果, 提案手法は曲線下面積を0.92から0.94に改善し, 標準偏差を17\%低減することがわかった。
個々の人物の検出性能を評価するには、個人名付き顔画像データセットが必要であり、現在のdeepfakeデータセットでは満たさない基準が必要である。
これに対処するために,45人の公開人物を特徴とする32k画像からなるデータセットをキュレートした。
関連論文リスト
- UniForensics: Face Forgery Detection via General Facial Representation [60.5421627990707]
高レベルの意味的特徴は摂動の影響を受けにくく、フォージェリー固有の人工物に限らないため、より強い一般化がある。
我々は、トランスフォーマーベースのビデオネットワークを活用する新しいディープフェイク検出フレームワークUniForensicsを導入し、顔の豊かな表現のためのメタファンクショナルな顔分類を行う。
論文 参考訳（メタデータ） (2024-07-26T20:51:54Z) - Region of Interest Loss for Anonymizing Learned Image Compression [3.0936354370614607]
人間の顔が認識不能になり,人体が検出不能となるような,十分な匿名化を実現する方法を示す。
このアプローチは、ネットワーク越しに機密性の高い匿名化データを送信するのではなく、キャプチャデバイス上の1ステップで圧縮と匿名化を可能にする。
論文 参考訳（メタデータ） (2024-06-09T10:36:06Z) - Anonymization Prompt Learning for Facial Privacy-Preserving Text-to-Image Generation [56.46932751058042]
我々は、テキストから画像への拡散モデルのための学習可能なプロンプトプレフィックスをトレーニングし、匿名化された顔のアイデンティティを生成するよう強制する。
実験では,非同一性固有の画像生成の品質を損なうことなく,特定の個人を匿名化するAPLの匿名化性能を実証した。
論文 参考訳（メタデータ） (2024-05-27T07:38:26Z) - Semantic Contextualization of Face Forgery: A New Definition, Dataset, and Detection Method [77.65459419417533]
我々は,顔フォージェリを意味的文脈に配置し,意味的顔属性を変更する計算手法が顔フォージェリの源であることを定義した。
階層的なグラフで整理されたラベルの集合に各画像が関連付けられている大規模な顔偽画像データセットを構築した。
本稿では,ラベル関係を捕捉し,その優先課題を優先するセマンティクス指向の顔偽造検出手法を提案する。
論文 参考訳（メタデータ） (2024-05-14T10:24:19Z) - Diffusion Facial Forgery Detection [56.69763252655695]
本稿では,顔に焦点をあてた拡散生成画像を対象とした包括的データセットであるDiFFを紹介する。
人体実験といくつかの代表的な偽造検出手法を用いて,DiFFデータセットの広範な実験を行った。
その結果、人間の観察者と自動検出者の2値検出精度は30%以下であることが判明した。
論文 参考訳（メタデータ） (2024-01-29T03:20:19Z) - 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) - Building an Invisible Shield for Your Portrait against Deepfakes [34.65356811439098]
本稿では,画像のプロアクティブな保護を目的とした新しいフレームワーク,Integity Encryptorを提案する。
提案手法では,重要な顔属性と密接な関係を持つメッセージを,秘密に符号化する。
修正された顔属性は、デコードされたメッセージの比較を通じて、操作された画像を検出する手段として機能する。
論文 参考訳（メタデータ） (2023-05-22T10:01:28Z) - Disguise without Disruption: Utility-Preserving Face De-Identification [40.484745636190034]
本研究では,修正データの利用性を確保しつつ,顔画像をシームレスに識別する新しいアルゴリズムであるDisguiseを紹介する。
本手法は, 難読化と非可逆性を最大化するために, 変分機構を用いて生成した合成物を用いて, 描写されたアイデンティティを抽出し置換することを含む。
提案手法を複数のデータセットを用いて広範に評価し,様々な下流タスクにおける従来の手法と比較して,高い非識別率と一貫性を示す。
論文 参考訳（メタデータ） (2023-03-23T13:50:46Z) - Attribute-preserving Face Dataset Anonymization via Latent Code
Optimization [64.4569739006591]
本稿では,事前学習したGANの潜時空間における画像の潜時表現を直接最適化するタスク非依存匿名化手法を提案する。
我々は一連の実験を通して、我々の手法が画像の同一性を匿名化できる一方で、顔の属性をより保存できることを実証した。
論文 参考訳（メタデータ） (2023-03-20T17:34:05Z) - Face Morphing Attack Detection Using Privacy-Aware Training Data [0.991629944808926]
顔の形をした画像は、顔認識ベースのセキュリティシステムに深刻な脅威をもたらす。
現代の検出アルゴリズムは、実際の人物の認証画像を用いて、このような形態的攻撃を識別する。
このアプローチは、さまざまなプライバシー上の懸念を提起し、公開されているトレーニングデータの量を制限する。
論文 参考訳（メタデータ） (2022-07-02T19:00:48Z) - Fused Deep Neural Network based Transfer Learning in Occluded Face
Classification and Person re-Identification [0.0]
本論文は,顔画像中の4種類のうちの1種類を認識することを目的としている。
その結果, Gated Recurrent Unit (GRU) を用いた MobileNet V2 は, 他の移動学習手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2022-05-15T07:13:33Z)
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。