論文の概要: Beyond Deepfake Images: Detecting AI-Generated Videos
- arxiv url: http://arxiv.org/abs/2404.15955v1
- Date: Wed, 24 Apr 2024 16:19:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-26 18:51:25.096270
- Title: Beyond Deepfake Images: Detecting AI-Generated Videos
- Title（参考訳）: ディープフェイク画像を超える:AI生成ビデオの検出
- Authors: Danial Samadi Vahdati, Tai D. Nguyen, Aref Azizpour, Matthew C. Stamm,
- Abstract要約: 合成ビデオジェネレータは、画像ジェネレータが残したものとはかなり異なるトレースを導入する。
合成ビデオトレースを学習し、信頼性の高い合成ビデオ検出や生成元属性の実行に使用できることを示す。
- 参考スコア（独自算出の注目度）: 7.476627888795847
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recent advances in generative AI have led to the development of techniques to generate visually realistic synthetic video. While a number of techniques have been developed to detect AI-generated synthetic images, in this paper we show that synthetic image detectors are unable to detect synthetic videos. We demonstrate that this is because synthetic video generators introduce substantially different traces than those left by image generators. Despite this, we show that synthetic video traces can be learned, and used to perform reliable synthetic video detection or generator source attribution even after H.264 re-compression. Furthermore, we demonstrate that while detecting videos from new generators through zero-shot transferability is challenging, accurate detection of videos from a new generator can be achieved through few-shot learning.
- Abstract（参考訳）: 生成AIの最近の進歩は、視覚的にリアルな合成ビデオを生成する技術の開発につながっている。
本稿では,AI合成画像を検出するために,多くの技術が開発されているが,合成画像検出装置では合成映像を検出できないことを示す。
これは、合成ビデオジェネレータが、画像ジェネレータが残したものとはかなり異なるトレースを導入するためである。
それにもかかわらず,H.264再圧縮後においても,合成ビデオトレースを学習し,信頼性の高い合成ビデオ検出や生成元属性の実行に利用できることを示す。
さらに,ゼロショット転送性による新しいジェネレータからの映像の検出は困難である一方で,新しいジェネレータからの映像の正確な検出は,数ショットの学習によって達成できることを実証した。
関連論文リスト
- Zero-Shot Detection of AI-Generated Images [54.01282123570917]
AI生成画像を検出するゼロショットエントロピー検出器(ZED)を提案する。
機械によるテキスト検出の最近の研究に触発された私たちのアイデアは、分析対象の画像が実際の画像のモデルと比較してどれだけ驚くかを測定することである。
ZEDは精度の点でSoTAよりも平均3%以上改善されている。
論文 参考訳（メタデータ） (2024-09-24T08:46:13Z) - Synthetic Photography Detection: A Visual Guidance for Identifying Synthetic Images Created by AI [0.0]
合成写真は、広範囲の脅威俳優によって悪用されることがある。
生成した画像中の可視人工物は、その合成原点を訓練された眼に示している。
これらのアーティファクトを分類し、例を示し、検出する上での課題について議論し、我々の研究の実践的応用を提案し、今後の研究方向性を概説する。
論文 参考訳（メタデータ） (2024-08-12T08:58:23Z) - 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) - What Matters in Detecting AI-Generated Videos like Sora? [51.05034165599385]
合成ビデオと現実世界のビデオのギャップは、まだ未発見のままだ。
本研究では,現在最先端のAIモデルであるStable Video Diffusionによって生成された実世界の映像を比較した。
我々のモデルは、訓練中にSoraのビデオに露出することなく、Soraが生成した映像を高精度に検出することができる。
論文 参考訳（メタデータ） (2024-06-27T23:03:58Z) - E3: Ensemble of Expert Embedders for Adapting Synthetic Image Detectors to New Generators Using Limited Data [16.8917807239219]
本稿では,合成画像検出器を更新するための新しい連続学習フレームワークであるEnsemble of Expert Embedders (E3)を紹介する。
E3は、最小限のトレーニングデータを使用して、新しく登場したジェネレータからの画像の正確な検出を可能にする。
実験により,E3は既存の連続学習法より優れていることが示された。
論文 参考訳（メタデータ） (2024-04-12T21:14:20Z) - AI-Generated Video Detection via Spatio-Temporal Anomaly Learning [2.1210527985139227]
ユーザは、偽情報を拡散するために、既存のないビデオを簡単に作成できる。
モデルトレーニングと評価のためのベンチマークとして,大規模ビデオデータセット(GVD)を構築した。
論文 参考訳（メタデータ） (2024-03-25T11:26:18Z) - Open Set Synthetic Image Source Attribution [9.179652505898332]
本稿では,合成画像の識別のためのメトリクス学習に基づく新しいアプローチを提案する。
本手法は, 発電機間での識別が可能な移動可能な埋め込みを学習することにより機能する。
オープンなシナリオで合成画像のソースを属性付けるアプローチの能力を実証する。
論文 参考訳（メタデータ） (2023-08-22T16:37:51Z) - Detection of GAN-synthesized street videos [21.192357452920007]
本稿では,新たなAI生成ビデオがストリートシーケンスを駆動する際の検出可能性について検討する(以下,DeepStreetsビデオと呼ぶ)。
我々は、Vid2vidアーキテクチャによって生成された最先端のDeepStreetsビデオにおいて、非常に優れた性能を発揮する、シンプルなフレームベース検出器を提案する。
論文 参考訳（メタデータ） (2021-09-10T16:59:15Z) - 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) - A Good Image Generator Is What You Need for High-Resolution Video
Synthesis [73.82857768949651]
現代画像生成装置を用いて高解像度映像のレンダリングを行うフレームワークを提案する。
我々は,映像合成問題を,予め訓練された固定された画像生成装置の潜時空間における軌跡の発見とみなす。
本稿では,コンテンツや動きが絡み合っている所望の軌跡を検出するモーションジェネレータを提案する。
論文 参考訳（メタデータ） (2021-04-30T15:38:41Z) - Non-Adversarial Video Synthesis with Learned Priors [53.26777815740381]
我々は、参照入力フレームを使わずに、遅延雑音ベクトルからビデオを生成する問題に焦点をあてる。
本研究では,入力潜時空間,繰り返しニューラルネットワークの重み付け,非対角学習によるジェネレータを協調的に最適化する手法を開発した。
提案手法は,既存の最先端手法と比較して高品質なビデオを生成する。
論文 参考訳（メタデータ） (2020-03-21T02:57:33Z)
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。