Fugu-MT 論文翻訳(概要): Real-Time Deepfake Detection in the Real-World

論文の概要: Real-Time Deepfake Detection in the Real-World

arxiv url: http://arxiv.org/abs/2406.09398v1
Date: Thu, 13 Jun 2024 17:59:23 GMT
ステータス: 処理完了
システム内更新日: 2024-06-14 16:06:12.798442
Title: Real-Time Deepfake Detection in the Real-World
Title（参考訳）: 実世界におけるリアルタイムディープフェイク検出
Authors: Bar Cavia, Eliahu Horwitz, Tal Reiss, Yedid Hoshen,
Abstract要約: 本稿では,LaDeDa(Lacally Aware Deepfake Detection)アルゴリズムを提案する。 LaDeDaは1つの9x9イメージパッチを受け取り、ディープフェイクスコアを出力する。いくつかの人気ソーシャルネットワークから収集された新しいディープフェイク検出データセットであるWildRFを紹介する。
参考スコア（独自算出の注目度）: 39.96935319559675
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent improvements in generative AI made synthesizing fake images easy; as they can be used to cause harm, it is crucial to develop accurate techniques to identify them. This paper introduces "Locally Aware Deepfake Detection Algorithm" (LaDeDa), that accepts a single 9x9 image patch and outputs its deepfake score. The image deepfake score is the pooled score of its patches. With merely patch-level information, LaDeDa significantly improves over the state-of-the-art, achieving around 99% mAP on current benchmarks. Owing to the patch-level structure of LaDeDa, we hypothesize that the generation artifacts can be detected by a simple model. We therefore distill LaDeDa into Tiny-LaDeDa, a highly efficient model consisting of only 4 convolutional layers. Remarkably, Tiny-LaDeDa has 375x fewer FLOPs and is 10,000x more parameter-efficient than LaDeDa, allowing it to run efficiently on edge devices with a minor decrease in accuracy. These almost-perfect scores raise the question: is the task of deepfake detection close to being solved? Perhaps surprisingly, our investigation reveals that current training protocols prevent methods from generalizing to real-world deepfakes extracted from social media. To address this issue, we introduce WildRF, a new deepfake detection dataset curated from several popular social networks. Our method achieves the top performance of 93.7% mAP on WildRF, however the large gap from perfect accuracy shows that reliable real-world deepfake detection is still unsolved.
Abstract（参考訳）: 近年のジェネレーティブAIの改良により、偽画像の合成が容易になった。本稿では,1つの9x9イメージパッチを受信し,そのディープフェイクスコアを出力する"Locally Aware Deepfake Detection Algorithm"(LaDeDa)を提案する。イメージディープフェイクスコアは、パッチのプールされたスコアです。単にパッチレベルの情報だけで、LaDeDaは最先端よりも大幅に改善され、現在のベンチマークで約99%のmAPを達成した。 LaDeDaのパッチレベル構造により、生成成果物は単純なモデルで検出できるという仮説を立てる。そこで,LaDeDaをTiny-LaDeDaに蒸留した。注目すべきなのは、Tiny-LaDeDaはFLOPが375倍少なく、LaDeDaよりもパラメータ効率が1万倍高いことだ。これらのほぼ完璧なスコアが疑問を提起する。ディープフェイク検出のタスクは、解決に近づいているのだろうか? おそらく、我々の調査は、現在のトレーニングプロトコルがソーシャルメディアから抽出された現実世界のディープフェイクへのメソッドの一般化を防ぐことを明らかにしている。この問題に対処するために、いくつかの人気のあるソーシャルネットワークからキュレートされた新しいディープフェイク検出データセットWildRFを導入する。提案手法はWildRF上での93.7%mAPの最高性能を実現するが,完全精度との差が大きいことから,信頼性の高い実世界の深度検出は未解決であることが示された。

関連論文リスト

DF40: Toward Next-Generation Deepfake Detection [62.073997142001424]
既存の作業では、ある特定のデータセット(例えばFF++)上で検出器をトレーニングし、他の一般的なディープフェイクデータセットでそれらをテストすることで、トップノッチ検出アルゴリズムとモデルを識別する。しかし、これらの「勝者」は現実の世界に潜む無数の現実的で多様なディープフェイクに取り組むために真に応用できるのだろうか? 我々は,40種類の異なるディープフェイク技術からなるDF40という,高度に多様な大規模ディープフェイクデータセットを構築した。次に,4つの標準評価プロトコルと7つの代表検出器を用いて総合評価を行い,2000以上の評価を行った。
論文参考訳（メタデータ） (2024-06-19T12:35:02Z)
Faster Than Lies: Real-time Deepfake Detection using Binary Neural Networks [0.0]
ディープフェイク検出は、オンラインコンテンツへの信頼を損なうディープフェイクメディアの拡散と対比することを目的としている。本稿では,BNN(Binary Neural Networks)を用いた画像に対する新しいディープフェイク検出手法を提案する。
論文参考訳（メタデータ） (2024-06-07T13:37:36Z)
AntifakePrompt: Prompt-Tuned Vision-Language Models are Fake Image Detectors [27.07771989900852]
深層生成モデルは、偽情報や著作権侵害に対する懸念を高めながら、驚くほど偽のイメージを作成することができる。実画像と偽画像とを区別するためにディープフェイク検出技術が開発された。本稿では,視覚言語モデル(VLM)を用いた新しい手法を提案する。
論文参考訳（メタデータ） (2023-10-26T14:23:45Z)
Improving Cross-dataset Deepfake Detection with Deep Information Decomposition [57.284370468207214]
ディープフェイク技術は、セキュリティと社会的信頼に重大な脅威をもたらす。既存の検出方法は、クロスデータセットのシナリオに直面した場合、パフォーマンスの急激な低下に悩まされる。本稿では,深層情報分解(DID)フレームワークを提案する。
論文参考訳（メタデータ） (2023-09-30T12:30:25Z)
Robustness and Generalizability of Deepfake Detection: A Study with Diffusion Models [35.188364409869465]
本稿では,ディープフェイクの作り方と識別方法について検討する。私たちの研究の基盤は、DeepFakeFaceという名の有名人の顔の豊富なコレクションです。このデータはディープフェイクを見つけるために設計されたアルゴリズムを訓練し、テストするための堅牢な基盤となる。
論文参考訳（メタデータ） (2023-09-05T13:22:41Z)
Multi-attentional Deepfake Detection [79.80308897734491]
ディープフェイクによる顔の偽造はインターネットに広まり、深刻な社会的懸念を引き起こしている。新たなマルチアテンテーショナルディープフェイク検出ネットワークを提案する。具体的には,1)ネットワークを異なる局所的部分へ配置するための複数の空間的注意ヘッド,2)浅い特徴の微妙なアーティファクトをズームするテクスチャ的特徴拡張ブロック,3)低レベルなテクスチャ特徴と高レベルなセマンティクス特徴をアグリゲートする,の3つの構成要素からなる。
論文参考訳（メタデータ） (2021-03-03T13:56:14Z)
Adversarially robust deepfake media detection using fused convolutional neural network predictions [79.00202519223662]
現在のディープフェイク検出システムは、目に見えないデータと戦っている。ビデオから抽出した偽画像と実画像の分類には,CNN(Deep Convolutional Neural Network)モデルが3種類採用されている。提案手法は96.5%の精度で最先端のモデルより優れている。
論文参考訳（メタデータ） (2021-02-11T11:28:00Z)
WildDeepfake: A Challenging Real-World Dataset for Deepfake Detection [82.42495493102805]
我々は,インターネットから完全に収集された707のディープフェイクビデオから抽出された7,314の顔シーケンスからなる新しいデータセットWildDeepfakeを紹介した。既存のWildDeepfakeデータセットと我々のWildDeepfakeデータセットのベースライン検出ネットワークを体系的に評価し、WildDeepfakeが実際により困難なデータセットであることを示す。
論文参考訳（メタデータ） (2021-01-05T11:10:32Z)
A Note on Deepfake Detection with Low-Resources [0.0]
ディープフェイク(Deepfakes)とは、ニューラルネットワークを使って顔が違う人物の顔に代わることの多い、変化を含むビデオである。本稿では,ユーザのDeepfakesを計算能力に乏しく検出する2つの方法を提案する。
論文参考訳（メタデータ） (2020-06-09T11:07:08Z)
FDFtNet: Facing Off Fake Images using Fake Detection Fine-tuning Network [19.246576904646172]
本稿では,FaketNetと呼ばれる,軽量な微調整ニューラルネットワークアーキテクチャを提案する。提案手法は,偽画像の検出を効果的に行うための微調整のために,数枚の画像のみを用いて,人気のある事前学習モデルを再利用することを目的としている。我々の tNet は GANs ベースのデータセットから生成された偽画像の総合的精度 9029% を達成する。
論文参考訳（メタデータ） (2020-01-05T16:04:17Z)

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。