論文の概要: Can We Leave Deepfake Data Behind in Training Deepfake Detector?

• arxiv url: http://arxiv.org/abs/2408.17052v1
• Date: Fri, 30 Aug 2024 07:22:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-02 16:19:14.888477
• Title: Can We Leave Deepfake Data Behind in Training Deepfake Detector?
• Title（参考訳）: ディープフェイク検出装置の裏側にあるディープフェイクデータを残せるか?
• Authors: Jikang Cheng, Zhiyuan Yan, Ying Zhang, Yuhao Luo, Zhongyuan Wang, Chen Li,
• Abstract要約: ディープフェイクの検出におけるブレンドフェイクの役割を再考し、プロセスを「リアルからブレンドフェイクからディープフェイクへ」から段階的な移行へと定式化する。 我々の設計では、ブレンドフェイクとディープフェイクの両方から偽情報を効果的かつ包括的に活用することができる。
• 参考スコア（独自算出の注目度）: 14.167267434669501
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The generalization ability of deepfake detectors is vital for their applications in real-world scenarios. One effective solution to enhance this ability is to train the models with manually-blended data, which we termed "blendfake", encouraging models to learn generic forgery artifacts like blending boundary. Interestingly, current SoTA methods utilize blendfake without incorporating any deepfake data in their training process. This is likely because previous empirical observations suggest that vanilla hybrid training (VHT), which combines deepfake and blendfake data, results in inferior performance to methods using only blendfake data (so-called "1+1<2"). Therefore, a critical question arises: Can we leave deepfake behind and rely solely on blendfake data to train an effective deepfake detector? Intuitively, as deepfakes also contain additional informative forgery clues (e.g., deep generative artifacts), excluding all deepfake data in training deepfake detectors seems counter-intuitive. In this paper, we rethink the role of blendfake in detecting deepfakes and formulate the process from "real to blendfake to deepfake" to be a progressive transition. Specifically, blendfake and deepfake can be explicitly delineated as the oriented pivot anchors between "real-to-fake" transitions. The accumulation of forgery information should be oriented and progressively increasing during this transition process. To this end, we propose an Oriented Progressive Regularizor (OPR) to establish the constraints that compel the distribution of anchors to be discretely arranged. Furthermore, we introduce feature bridging to facilitate the smooth transition between adjacent anchors. Extensive experiments confirm that our design allows leveraging forgery information from both blendfake and deepfake effectively and comprehensively.
• Abstract（参考訳）: ディープフェイク検出器の一般化能力は、実世界のシナリオにおけるそれらの応用に不可欠である。 この能力を強化する効果的な解決策の1つは、モデルを手動でブレンドフェイク(blendfake)と呼び、ブレンドバウンダリのような一般的な偽造品を学ぶことを奨励する手動のデータをトレーニングすることである。 興味深いことに、現在のSoTAメソッドは、トレーニングプロセスにディープフェイクデータを組み込むことなく、ブレンドフェイクを利用する。 これは, 深度とブレンドフェイクデータを組み合わせたバニラハイブリッドトレーニング (VHT) が, ブレンドフェイクデータのみを用いた手法 (いわゆる「1+1<2」) と比較すると, 性能が劣ると考えられるためと考えられる。 したがって、重要な疑問が生じる: ディープフェイクを置き去りにして、ブレンドフェイクデータに頼って効果的なディープフェイク検出器を訓練できるか? 直感的には、ディープフェイクには、ディープフェイク検出装置の訓練におけるすべてのディープフェイクデータを除いて、付加的な情報的偽造の手がかり(例えば、ディープフェイク生成アーティファクト)も含まれている。 本稿では,ブレンドフェイクの深部フェイク検出における役割を再考し,その過程を「リアルからブレンドフェイクから深部フェイクへ」から段階的な遷移へと定式化する。 具体的には、ブレンドフェイクとディープフェイクは「リアル・ツー・フェイク」遷移の間の方向のピボット・アンカーとして明確に定義することができる。 偽情報の蓄積は、この移行プロセスの間、方向付けされ、徐々に増加するはずである。 そこで本稿では,アンカーの分布を個別に配置する制約を確立するために,OPR(Oriented Progressive Regularizor)を提案する。 さらに,隣接するアンカー間のスムーズな遷移を容易にする機能ブリッジを導入する。 大規模な実験により、我々の設計はブレンドフェイクとディープフェイクの両方から偽情報を活用することができることが確認された。

関連論文リスト

• FakeFormer: Efficient Vulnerability-Driven Transformers for Generalisable Deepfake Detection [12.594436202557446]
  本稿では,視覚変換器(ViT)が顔面偽造検出に最適である理由について検討する。 本稿では, 微妙な不整合情報を抽出するためにViTを拡張したFakeFormerというディープフェイク検出フレームワークを提案する。 FF++、Celeb-DF、WildDeepfake、DFD、DFDCP、DFDCなど、さまざまな有名なデータセットで実験が行われている。
  論文  参考訳（メタデータ） (2024-10-29T11:36:49Z)
• Capture Artifacts via Progressive Disentangling and Purifying Blended Identities for Deepfake Detection [9.833101078121482]
  ディープフェイク技術は、プライバシー侵害や信頼問題に深刻な懸念を抱いている。 現在の方法では、偽の顔をアーティファクトとコンテンツ情報に大まかに分けるために、切り離し技術を使用している。 これらの手法には固い絡み合いの基礎がなく、絡み合いの過程の信頼性を保証できない。
  論文  参考訳（メタデータ） (2024-10-14T08:04:37Z)
• DF40: Toward Next-Generation Deepfake Detection [62.073997142001424]
  既存の研究は、ある特定のデータセット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テストすることで、トップノー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,高度に多様なディープフェイク検出データセットを構築した。
  論文  参考訳（メタデータ） (2024-06-19T12:35:02Z)
• CrossDF: Improving Cross-Domain Deepfake Detection with Deep Information Decomposition [53.860796916196634]
  クロスデータセットディープフェイク検出(CrossDF)の性能を高めるためのディープ情報分解(DID)フレームワークを提案する。 既存のディープフェイク検出方法とは異なり、我々のフレームワークは特定の視覚的アーティファクトよりも高いレベルのセマンティック特徴を優先する。 顔の特徴をディープフェイク関連情報と無関係情報に適応的に分解し、本質的なディープフェイク関連情報のみを用いてリアルタイム・フェイク識別を行う。
  論文  参考訳（メタデータ） (2023-09-30T12:30:25Z)
• DeepFake-Adapter: Dual-Level Adapter for DeepFake Detection [73.66077273888018]
  既存のディープフェイク検出方法は、目に見えない、または劣化したサンプルに対してうまく一般化できない。 高レベルのセマンティクスは、一般化可能な偽造検出に必要なレシピである。 DeepFake-Adapterは、DeepFake検出のためのパラメータ効率の高い最初のチューニング手法である。
  論文  参考訳（メタデータ） (2023-06-01T16:23:22Z)
• Fooling State-of-the-Art Deepfake Detection with High-Quality Deepfakes [2.0883760606514934]
  我々は、複数の研究データセットで証明されたディープフェイク検出器が、よく作られた偽物と現実世界のシナリオで未だに苦戦していることを示す。 我々は,90個の高品質のディープフェイクを生成するために,高度な顔ブレンディング技術とともに,顔交換のための新しいオートエンコーダを提案する。
  論文  参考訳（メタデータ） (2023-05-09T09:08:49Z)
• Voice-Face Homogeneity Tells Deepfake [56.334968246631725]
  既存の検出アプローチは、ディープフェイクビデオにおける特定のアーティファクトの探索に寄与する。 未探索の音声-顔のマッチングビューからディープフェイク検出を行う。 我々のモデルは、他の最先端の競合と比較して、大幅に性能が向上する。
  論文  参考訳（メタデータ） (2022-03-04T09:08:50Z)
• 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)
• 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)

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。