論文の概要: Deepfake Detection without Deepfakes: Generalization via Synthetic Frequency Patterns Injection

• arxiv url: http://arxiv.org/abs/2403.13479v1
• Date: Wed, 20 Mar 2024 10:33:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-21 17:18:34.485591
• Title: Deepfake Detection without Deepfakes: Generalization via Synthetic Frequency Patterns Injection
• Title（参考訳）: ディープフェイクのないディープフェイク検出:合成周波数パターン注入による一般化
• Authors: Davide Alessandro Coccomini, Roberto Caldelli, Claudio Gennaro, Giuseppe Fiameni, Giuseppe Amato, Fabrizio Falchi,
• Abstract要約: ディープフェイク検出器は、通常、大量のプリステインと生成された画像に基づいて訓練される。 ディープフェイク検出器は、トレーニング中に遭遇した方法によって生成されたディープフェイクを識別するのが得意だが、未知のテクニックによって生成されたディープフェイクと競合する。 本稿では,ディープフェイク検出器の一般化能力の向上を目的とした学習手法を提案する。
• 参考スコア（独自算出の注目度）: 12.33030785907372
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deepfake detectors are typically trained on large sets of pristine and generated images, resulting in limited generalization capacity; they excel at identifying deepfakes created through methods encountered during training but struggle with those generated by unknown techniques. This paper introduces a learning approach aimed at significantly enhancing the generalization capabilities of deepfake detectors. Our method takes inspiration from the unique "fingerprints" that image generation processes consistently introduce into the frequency domain. These fingerprints manifest as structured and distinctly recognizable frequency patterns. We propose to train detectors using only pristine images injecting in part of them crafted frequency patterns, simulating the effects of various deepfake generation techniques without being specific to any. These synthetic patterns are based on generic shapes, grids, or auras. We evaluated our approach using diverse architectures across 25 different generation methods. The models trained with our approach were able to perform state-of-the-art deepfake detection, demonstrating also superior generalization capabilities in comparison with previous methods. Indeed, they are untied to any specific generation technique and can effectively identify deepfakes regardless of how they were made.
• Abstract（参考訳）: ディープフェイク検出器は、通常、大量のプリスタンと生成された画像に基づいて訓練され、その結果、限られた一般化能力が得られる。 本稿では,ディープフェイク検出器の一般化能力の向上を目的とした学習手法を提案する。 本手法は、画像生成プロセスが周波数領域に一貫して導入するユニークな「指紋」から着想を得たものである。 これらの指紋は、構造化され、はっきりと認識可能な周波数パターンとして現れる。 そこで本研究では, 周波数パターンの一部にプリスタン画像のみを注入し, 種々のディープフェイク生成技術の効果を, 特定することなくシミュレーションする手法を提案する。 これらの合成パターンは、一般的な形状、格子、またはオーラに基づいている。 提案手法は,25種類の世代にまたがる多種多様なアーキテクチャを用いて評価した。 提案手法で訓練したモデルでは,最先端のディープフェイク検出が可能であり,従来の手法と比較して優れた一般化能力を示すことができた。 実際、彼らは特定の生成技術に不慣れであり、どのように作られたかに関わらず、効果的にディープフェイクを識別できる。

関連論文リスト

• FreqBlender: Enhancing DeepFake Detection by Blending Frequency Knowledge [52.63528223992634]
  既存の方法は、通常、空間領域で実際の顔と偽の顔とを混ぜ合わせて合成偽の顔を生成する。 本稿では,周波数知識をブレンドして擬似フェイク顔を生成する新しい手法であるem FreqBlenderを紹介する。 実験により,DeepFake検出の高速化に本手法の有効性が示され,他の手法のプラグ・アンド・プレイ戦略の可能性が確認された。
  論文  参考訳（メタデータ） (2024-04-22T04:41:42Z)
• Frequency Masking for Universal Deepfake Detection [25.844830329275613]
  我々は、普遍的なディープフェイク検出について研究し、その目的は、様々な生成AIアプローチから合成画像を検出することである。 最近提案されたマスク画像モデリングに触発された我々は、マスク画像モデリングを普遍的なディープフェイク検出のために初めて試みる。
  論文  参考訳（メタデータ） (2024-01-12T11:02:12Z)
• Detecting Generated Images by Real Images Only [64.12501227493765]
  既存の画像検出手法は、生成画像中の視覚的アーティファクトを検出したり、大規模なトレーニングによって、実画像と生成画像の両方から識別的特徴を学習する。 本稿では,新たな視点から生成した画像検出問題にアプローチする。 実画像の共通性を見つけ、特徴空間内の密接な部分空間にマッピングすることで、生成した画像は生成モデルに関係なくサブ空間の外側に投影される。
  論文  参考訳（メタデータ） (2023-11-02T03:09:37Z)
• How Generalizable are Deepfake Image Detectors? An Empirical Study [4.42204674141385]
  本研究は,ディープフェイク検出器の一般化性に関する最初の実証的研究である。 本研究では,6つのディープフェイクデータセット,5つのディープフェイク画像検出手法,および2つのモデル拡張アプローチを用いた。 検出器は, 合成法に特有の不要な特性を学習し, 識別的特徴の抽出に苦慮していることがわかった。
  論文  参考訳（メタデータ） (2023-08-08T10:30:34Z)
• Misleading Deep-Fake Detection with GAN Fingerprints [14.459389888856412]
  敵は、生成した画像の周波数スペクトルから直接、表現的アーティファクトであるGAN指紋を除去できることを示す。 以上の結果から,敵対者がしばしばGAN指紋を除去し,生成画像の検出を回避できることが示唆された。
  論文  参考訳（メタデータ） (2022-05-25T07:32:12Z)
• Self-supervised Transformer for Deepfake Detection [112.81127845409002]
  現実世界のシナリオにおけるディープフェイク技術は、顔偽造検知器のより強力な一般化能力を必要とする。 転送学習に触発されて、他の大規模な顔関連タスクで事前訓練されたニューラルネットワークは、ディープフェイク検出に有用な機能を提供する可能性がある。 本稿では,自己教師型変換器を用いた音声視覚コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-02T17:44:40Z)
• Beyond the Spectrum: Detecting Deepfakes via Re-Synthesis [69.09526348527203]
  ディープフェイク(Deepfakes)として知られる非常に現実的なメディアは、現実の目から人間の目まで区別できない。 本研究では,テスト画像を再合成し,検出のための視覚的手がかりを抽出する,新しい偽検出手法を提案する。 種々の検出シナリオにおいて,提案手法の摂動に対する有効性の向上,GANの一般化,堅牢性を示す。
  論文  参考訳（メタデータ） (2021-05-29T21:22:24Z)
• TAR: Generalized Forensic Framework to Detect Deepfakes using Weakly Supervised Learning [17.40885531847159]
  ディープフェイクは重要な社会問題となり、それらを検出することが非常に重要です。 本研究では,異なる種類のディープフェイクを同時に検出する実用的なデジタル鑑識ツールを提案する。 レジデンシャルブロックを用いた自動エンコーダベースの検出モデルを開発し、異なる種類のディープフェイクを同時に検出する転送学習を順次実施します。
  論文  参考訳（メタデータ） (2021-05-13T07:31:08Z)
• Deepfake Forensics via An Adversarial Game [99.84099103679816]
  顔偽造と画像・映像品質の両面での一般化能力向上のための対人訓練を提唱する。 AIベースの顔操作は、しばしば、一般化が困難であるモデルによって容易に発見できる高周波アーティファクトにつながることを考慮し、これらの特定のアーティファクトを曖昧にしようとする新しい逆トレーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-03-25T02:20:08Z)
• A Convolutional LSTM based Residual Network for Deepfake Video Detection [23.275080108063406]
  我々は、深層ビデオを検出するための畳み込みLSTMベースのResidual Network(CLRNet)を開発した。 また,異なるディープフェイク手法を一般化するための伝達学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-09-16T05:57:06Z)
• Artificial Fingerprinting for Generative Models: Rooting Deepfake Attribution in Training Data [64.65952078807086]
  光現実性画像生成は、GAN(Generative Adversarial Network)のブレークスルーにより、新たな品質レベルに達した。 しかし、このようなディープフェイクのダークサイド、すなわち生成されたメディアの悪意ある使用は、視覚的誤報に関する懸念を提起する。 我々は,モデルに人工指紋を導入することによって,深度検出の積極的な,持続可能なソリューションを模索する。
  論文  参考訳（メタデータ） (2020-07-16T16:49:55Z)

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。