論文の概要: Deepfake for the Good: Generating Avatars through Face-Swapping with Implicit Deepfake Generation

• arxiv url: http://arxiv.org/abs/2402.06390v2
• Date: Mon, 02 Dec 2024 15:04:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-03 20:23:05.583630
• Title: Deepfake for the Good: Generating Avatars through Face-Swapping with Implicit Deepfake Generation
• Title（参考訳）: Deepfake for the Good: Implicit Deepfake Generationによるフェイススワッピングによるアバター生成
• Authors: Georgii Stanishevskii, Jakub Steczkiewicz, Tomasz Szczepanik, Sławomir Tadeja, Jacek Tabor, Przemysław Spurek,
• Abstract要約: 本稿では,新しい深層学習技術を組み合わせて,高機能な3D深層学習アバターの製作方法について述べる。 私たちのImplicitDeepfakeは、古典的なディープフェイクアルゴリズムを使って、すべてのトレーニングイメージを別々に修正し、修正された顔にNeRFとGSをトレーニングします。
• 参考スコア（独自算出の注目度）: 6.720605329045581
• License:
• Abstract: Numerous emerging deep-learning techniques have had a substantial impact on computer graphics. Among the most promising breakthroughs are the rise of Neural Radiance Fields (NeRFs) and Gaussian Splatting (GS). NeRFs encode the object's shape and color in neural network weights using a handful of images with known camera positions to generate novel views. In contrast, GS provides accelerated training and inference without a decrease in rendering quality by encoding the object's characteristics in a collection of Gaussian distributions. These two techniques have found many use cases in spatial computing and other domains. On the other hand, the emergence of deepfake methods has sparked considerable controversy. Deepfakes refers to artificial intelligence-generated videos that closely mimic authentic footage. Using generative models, they can modify facial features, enabling the creation of altered identities or expressions that exhibit a remarkably realistic appearance to a real person. Despite these controversies, deepfake can offer a next-generation solution for avatar creation and gaming when of desirable quality. To that end, we show how to combine all these emerging technologies to obtain a more plausible outcome. Our ImplicitDeepfake uses the classical deepfake algorithm to modify all training images separately and then train NeRF and GS on modified faces. Such simple strategies can produce plausible 3D deepfake-based avatars.
• Abstract（参考訳）: 多くの新しいディープラーニング技術がコンピュータグラフィックスに多大な影響を与えている。 最も有望なブレークスルーは、Neural Radiance Fields(NeRF)とGaussian Splatting(GS)の台頭である。 NeRFは、既知のカメラ位置を持つ少数の画像を使用して、ニューラルネットワークの重みでオブジェクトの形状と色を符号化し、新しいビューを生成する。 対照的に、GSは、ガウス分布の集合にオブジェクトの特性を符号化することで、レンダリング品質を低下させることなく、高速なトレーニングと推論を提供する。 これらの2つの手法は空間コンピューティングや他の領域で多くのユースケースを見出した。 一方、ディープフェイク手法の出現は論争を巻き起こしている。 ディープフェイクス(Deepfakes)とは、人工知能が生成した、本物の映像を忠実に再現したビデオのこと。 生成モデルを使用することで、顔の特徴を修正でき、実際の人に驚くほど現実的な外観を示す変化したアイデンティティや表現を作成できる。 これらの論争にもかかわらず、Deepfakeは、望ましい品質でアバターの作成とゲームのための次世代ソリューションを提供することができる。 そのために、これらの新興技術を組み合わせて、より妥当な結果を得る方法を示します。 私たちのImplicitDeepfakeは、古典的なディープフェイクアルゴリズムを使って、すべてのトレーニングイメージを別々に修正し、修正された顔にNeRFとGSをトレーニングします。 このような単純な戦略は、3Dディープフェイクベースのアバターを生み出すことができる。

関連論文リスト

• Generalizable and Animatable Gaussian Head Avatar [50.34788590904843]
  本稿では,GAGAvatar(Generalizable and Animatable Gaussian Head Avatar)を提案する。 我々は、1つの前方通過で1つの画像から3次元ガウスのパラメータを生成する。 提案手法は, 従来の手法と比較して, 再現性や表現精度の点で優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-10T14:29:00Z)
• Solutions to Deepfakes: Can Camera Hardware, Cryptography, and Deep Learning Verify Real Images? [51.3344199560726]
  信頼性の高い合成データから実際のデータを分離する手法を確立することが不可欠である。 この文書は、どの画像が本物かを検証するために使用できる検出と暗号に関する既知の戦略を提示することを目的としている。
  論文  参考訳（メタデータ） (2024-07-04T22:01:21Z)
• Closing the Visual Sim-to-Real Gap with Object-Composable NeRFs [59.12526668734703]
  本稿では,オブジェクト合成可能なNeRFモデルであるComposable Object Volume NeRF(COV-NeRF)を紹介する。 COV-NeRFは、実際の画像からオブジェクトを抽出し、それらを新しいシーンに合成し、フォトリアリスティックなレンダリングと多くのタイプの2Dおよび3D監視を生成する。
  論文  参考訳（メタデータ） (2024-03-07T00:00:02Z)
• Text-image guided Diffusion Model for generating Deepfake celebrity interactions [50.37578424163951]
  拡散モデルは近年、非常にリアルなビジュアルコンテンツ生成を実証している。 本稿では,その点において新しい手法を考案し,検討する。 提案手法により, 現実感を脅かすことなく, 偽の視覚コンテンツを作成できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-26T08:24:37Z)
• 3DMM-RF: Convolutional Radiance Fields for 3D Face Modeling [111.98096975078158]
  本稿では,1つのパスを1つのパスで合成し,必要なニューラルネットワークのレンダリングサンプルのみを合成するスタイルベースの生成ネットワークを提案する。 このモデルは、任意のポーズと照明の顔画像に正確に適合し、顔の特徴を抽出し、制御可能な条件下で顔を再レンダリングするために使用できることを示す。
  論文  参考訳（メタデータ） (2022-09-15T15:28:45Z)
• Copy Motion From One to Another: Fake Motion Video Generation [53.676020148034034]
  人工知能の魅力的な応用は、任意の所望の動作を行う対象者のビデオを生成することである。 現在の手法では、通常、生成されたビデオの信頼性を評価するために、L2損失のGANを用いる。 本稿では,ポーズから前景画像へのマッピングの学習を容易にする理論的動機付け型Gromov-Wasserstein損失を提案する。 本手法は,人物の複雑な動きを忠実にコピーすることで,現実的な人物映像を生成できる。
  論文  参考訳（メタデータ） (2022-05-03T08:45:22Z)
• Detecting High-Quality GAN-Generated Face Images using Neural Networks [23.388645531702597]
  本稿では,スペクトル帯域差を利用したGAN生成画像と実画像との区別手法を提案する。 特に,クロスバンド共起行列と空間共起行列を用いて,顔画像のデジタル保存を可能にする。 性能向上は特に重要であり、異なる後処理環境において92%以上を達成することを示す。
  論文  参考訳（メタデータ） (2022-03-03T13:53:27Z)
• DA-FDFtNet: Dual Attention Fake Detection Fine-tuning Network to Detect Various AI-Generated Fake Images [21.030153777110026]
  ディープフェイク」のような偽画像の作成がずっと簡単になった。 近年の研究では、少量のトレーニングデータを用いて、フェイク画像や動画をより効果的に生成する、いくつかのショットラーニングが導入されている。 本研究では,操作した偽顔画像を検出するために,DA-tNet(Dual Attention Fine-tuning Network)を提案する。
  論文  参考訳（メタデータ） (2021-12-22T16:25:24Z)
• FakeTransformer: Exposing Face Forgery From Spatial-Temporal Representation Modeled By Facial Pixel Variations [8.194624568473126]
  顔の偽造はあらゆるターゲットを攻撃できるため、個人のプライバシーと財産のセキュリティに新たな脅威をもたらす。 生理的信号の空間的コヒーレンスと時間的一貫性が生成された内容で破壊されるという事実に着想を得て,実ビデオと合成ビデオとを区別できる一貫性のないパターンを見つけ出そうとする。
  論文  参考訳（メタデータ） (2021-11-15T08:44:52Z)
• Fighting Deepfake by Exposing the Convolutional Traces on Images [0.0]
  FACEAPPのようなモバイルアプリは、最も高度なGAN(Generative Adversarial Networks)を使用して、人間の顔写真に極端な変換を生成する。 この種のメディアオブジェクトはDeepfakeという名前を取って、マルチメディアの法医学分野における新たな課題であるDeepfake検出課題を提起した。 本稿では,画像からディープフェイク指紋を抽出する手法を提案する。
  論文  参考訳（メタデータ） (2020-08-07T08:49:23Z)
• Defending against GAN-based Deepfake Attacks via Transformation-aware Adversarial Faces [36.87244915810356]
  Deepfakeは、機械学習モデルを活用するフェイススワッピング攻撃のカテゴリである。 本稿では,Deepfake攻撃に対する防御手段として,逆向きに乱れする新しい変形認識顔を提案する。 また, アンサンブルをベースとしたアプローチを用いて, GANベースのディープフェイク型に対する防御ロバスト性を高めることを提案する。
  論文  参考訳（メタデータ） (2020-06-12T18:51:57Z)

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。