論文の概要: DomainForensics: Exposing Face Forgery across Domains via Bi-directional Adaptation
- arxiv url: http://arxiv.org/abs/2312.10680v2
- Date: Mon, 19 Aug 2024 04:11:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-21 03:57:15.622164
- Title: DomainForensics: Exposing Face Forgery across Domains via Bi-directional Adaptation
- Title（参考訳）: DomainForensics: 双方向適応によるドメイン間の顔偽造の露呈
- Authors: Qingxuan Lv, Yuezun Li, Junyu Dong, Sheng Chen, Hui Yu, Huiyu Zhou, Shu Zhang,
- Abstract要約: 最近のDeepFake検出手法は、公開データセットでは優れた性能を示しているが、新しい偽造品では著しく劣化している。
本稿では,教師なし領域適応の観点から新しい手法を提案する。
私たちのソリューションはDomainForensicsと呼ばれ、既知の偽造者から新しい偽造者へ偽造の知識を転送することを目的としています。
- 参考スコア（独自算出の注目度）: 40.17025046468511
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent DeepFake detection methods have shown excellent performance on public datasets but are significantly degraded on new forgeries. Solving this problem is important, as new forgeries emerge daily with the continuously evolving generative techniques. Many efforts have been made for this issue by seeking the commonly existing traces empirically on data level. In this paper, we rethink this problem and propose a new solution from the unsupervised domain adaptation perspective. Our solution, called DomainForensics, aims to transfer the forgery knowledge from known forgeries to new forgeries. Unlike recent efforts, our solution does not focus on data view but on learning strategies of DeepFake detectors to capture the knowledge of new forgeries through the alignment of domain discrepancies. In particular, unlike the general domain adaptation methods which consider the knowledge transfer in the semantic class category, thus having limited application, our approach captures the subtle forgery traces. We describe a new bi-directional adaptation strategy dedicated to capturing the forgery knowledge across domains. Specifically, our strategy considers both forward and backward adaptation, to transfer the forgery knowledge from the source domain to the target domain in forward adaptation and then reverse the adaptation from the target domain to the source domain in backward adaptation. In forward adaptation, we perform supervised training for the DeepFake detector in the source domain and jointly employ adversarial feature adaptation to transfer the ability to detect manipulated faces from known forgeries to new forgeries. In backward adaptation, we further improve the knowledge transfer by coupling adversarial adaptation with self-distillation on new forgeries. This enables the detector to expose new forgery features from unlabeled data and avoid forgetting the known knowledge of known...
- Abstract（参考訳）: 最近のDeepFake検出手法は、公開データセットでは優れた性能を示しているが、新しい偽造品では著しく劣化している。
進化を続ける生成技術によって、新しい偽造物が毎日出現するので、この問題を解決することが重要である。
データレベルで実証的に既存のトレースを探すことで、この問題に対する多くの取り組みがなされている。
本稿では、この問題を再考し、教師なし領域適応の観点から新しい解決策を提案する。
私たちのソリューションはDomainForensicsと呼ばれ、既知の偽造者から新しい偽造者へ偽造の知識を転送することを目的としています。
近年の取り組みとは異なり、私たちのソリューションはデータビューではなく、DeepFake検出器の学習戦略に重点を置いており、ドメイン不一致の調整を通じて新しい偽造の知識を捉えている。
特に、セマンティッククラスカテゴリの知識伝達を考慮した一般的なドメイン適応手法とは異なり、適用範囲が限られているため、我々の手法は微妙な偽の痕跡を捉えている。
本稿では,ドメイン間における偽の知識の獲得を目的とした,新たな双方向適応戦略について述べる。
具体的には、フォワード・アダプティブとバックワード・アダプティブの両方を考慮し、フォワード・アダプティブにおいてソース・ドメインからターゲット・ドメインにフォージェリー・ナレッジを転送し、そのアダプティブをターゲット・ドメインからソース・ドメインにバック・アダプティブで戻す。
フォワード適応では、ソースドメインにおけるDeepFake検出器の教師あり訓練を行い、敵の特徴適応を併用して、既知の偽造物から新しい偽造物へ操作された顔を検出する能力を転送する。
後方適応では,新たな鍛造物に対する自己蒸留と対向適応を結合することにより,知識伝達をさらに改善する。
これにより、検出器はラベルのないデータから新しい偽造機能を公開することができ、既知の知識を忘れないようにすることができる。
関連論文リスト
- Progressive Conservative Adaptation for Evolving Target Domains [76.9274842289221]
従来のドメイン適応は、典型的には、ソースドメインから定常ターゲットドメインに知識を転送する。
このような対象データに対する復元と適応は、時間とともに計算とリソース消費をエスカレートする。
我々は、進歩的保守的適応(PCAda)と呼ばれる、単純で効果的なアプローチを提案する。
論文 参考訳（メタデータ） (2024-02-07T04:11:25Z) - Towards Subject Agnostic Affective Emotion Recognition [8.142798657174332]
脳波信号による脳-コンピュータインタフェース(aBCI)の不安定性
本稿では,メタラーニングに基づくメタドメイン適応手法を提案する。
提案手法は,パブリックなaBICsデータセットの実験において有効であることが示されている。
論文 参考訳（メタデータ） (2023-10-20T23:44:34Z) - Activate and Reject: Towards Safe Domain Generalization under Category
Shift [71.95548187205736]
カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。
未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。
従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
論文 参考訳（メタデータ） (2023-10-07T07:53:12Z) - CHATTY: Coupled Holistic Adversarial Transport Terms with Yield for
Unsupervised Domain Adaptation [1.87446486236017]
我々はCHATTYと呼ばれる新しい手法を提案する。
敵対的トレーニングは、ニューラルネットワークの特徴抽出層をトレーニングするために、ドメイン判別器ヘッドからの勾配を反転させることで、ドメイン不変表現の学習に一般的に使用される。
本稿では,ソースとターゲットドメインの出力を学習可能な方法で置き換えるサブネットワークを提案する。
論文 参考訳（メタデータ） (2023-04-19T13:00:23Z) - Instance Relation Graph Guided Source-Free Domain Adaptive Object
Detection [79.89082006155135]
教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ドメインシフトの問題に取り組むための効果的なアプローチである。
UDAメソッドは、ターゲットドメインの一般化を改善するために、ソースとターゲット表現を整列させようとする。
Source-Free Adaptation Domain (SFDA)設定は、ソースデータへのアクセスを必要とせずに、ターゲットドメインに対してソーストレーニングされたモデルを適用することで、これらの懸念を軽減することを目的としている。
論文 参考訳（メタデータ） (2022-03-29T17:50:43Z) - Adversarially Trained Object Detector for Unsupervised Domain Adaptation [4.9631159466100305]
我々は、教師なし領域適応のための新しいアプローチとして、ソース領域における敵の訓練を適用できることを実証する。
そこで本稿では,頑健な特徴と目標領域とのアライメントを改善するために,対角的トレーニングと特徴アライメントを組み合わせた手法を提案する。
論文 参考訳（メタデータ） (2021-09-13T07:21:28Z) - Unsupervised Compound Domain Adaptation for Face Anti-Spoofing [74.6122128643823]
顔認証システムを実環境で堅牢化することを目的とした顔認証対策の課題に対処します。
ソースモデルを対象ドメインに適応させるメモリ拡張手法を,ドメインに意識して提案する。
提案手法は,複数の新しいスプーフ型からなる複合ターゲットドメインに適応する。
論文 参考訳（メタデータ） (2021-05-18T12:08:07Z) - A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。
多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。
限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
論文 参考訳（メタデータ） (2020-09-01T00:06:50Z)
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。