論文の概要: Learning to Discover Forgery Cues for Face Forgery Detection
- arxiv url: http://arxiv.org/abs/2409.01030v1
- Date: Mon, 2 Sep 2024 08:07:58 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-06 07:49:16.466205
- Title: Learning to Discover Forgery Cues for Face Forgery Detection
- Title（参考訳）: 顔偽物検出のための偽物発見学習
- Authors: Jiahe Tian, Peng Chen, Cai Yu, Xiaomeng Fu, Xi Wang, Jiao Dai, Jizhong Han,
- Abstract要約: 弱教師付きモデルであるForgery Cue Discovery (FoCus)を導入し、不対面の偽の手がかりを見つける。
FoCusは、部分的かつ不正確な偽造の手がかりを捕捉する際の欠点を補うように設計されている。
生成した操作マップは、顔偽造検知器を強化するためにより良い監視を行うことができる。
- 参考スコア（独自算出の注目度）: 12.938400190194946
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Locating manipulation maps, i.e., pixel-level annotation of forgery cues, is crucial for providing interpretable detection results in face forgery detection. Related learning objects have also been widely adopted as auxiliary tasks to improve the classification performance of detectors whereas they require comparisons between paired real and forged faces to obtain manipulation maps as supervision. This requirement restricts their applicability to unpaired faces and contradicts real-world scenarios. Moreover, the used comparison methods annotate all changed pixels, including noise introduced by compression and upsampling. Using such maps as supervision hinders the learning of exploitable cues and makes models prone to overfitting. To address these issues, we introduce a weakly supervised model in this paper, named Forgery Cue Discovery (FoCus), to locate forgery cues in unpaired faces. Unlike some detectors that claim to locate forged regions in attention maps, FoCus is designed to sidestep their shortcomings of capturing partial and inaccurate forgery cues. Specifically, we propose a classification attentive regions proposal module to locate forgery cues during classification and a complementary learning module to facilitate the learning of richer cues. The produced manipulation maps can serve as better supervision to enhance face forgery detectors. Visualization of the manipulation maps of the proposed FoCus exhibits superior interpretability and robustness compared to existing methods. Experiments on five datasets and four multi-task models demonstrate the effectiveness of FoCus in both in-dataset and cross-dataset evaluations.
- Abstract（参考訳）: フォージェリーキューのピクセルレベルのアノテーションである位置操作マップは、顔フォージェリー検出において解釈可能な検出結果を提供するのに不可欠である。
関連する学習オブジェクトは、検出器の分類性能を改善するための補助的なタスクとして広く採用されているが、実際の顔と偽顔を比較して、操作マップを監督として取得する必要がある。
この要件は、未確認の顔に適用性を制限するとともに、現実のシナリオに矛盾する。
さらに、使用した比較手法は、圧縮やアップサンプリングによって導入されたノイズを含む、すべての変化したピクセルに注釈を付ける。
このようなマップを監督として使用すると、悪用可能な手がかりの学習が妨げられ、モデルが過度に適合する傾向がある。
これらの問題に対処するために,フォージェリーキューディスカバリ (FoCus) と呼ばれる弱教師付きモデルを導入する。
FoCusは、注意マップ内の鍛造された領域を検知するいくつかの検出器とは異なり、部分的かつ不正確な偽造の手がかりを捕捉する欠点を補うように設計されている。
具体的には、分類中の偽の手がかりを特定するための分類注意領域提案モジュールと、よりリッチな手がかりの学習を容易にするための補完学習モジュールを提案する。
生成した操作マップは、顔偽造検知器を強化するためにより良い監視を行うことができる。
提案したFoCusの操作マップの可視化は,既存手法と比較して高い解釈性とロバスト性を示す。
5つのデータセットと4つのマルチタスクモデルに対する実験は、FoCusがデータセット内およびデータセット内の両方で有効であることを示す。
関連論文リスト
- Learning Expressive And Generalizable Motion Features For Face Forgery
Detection [52.54404879581527]
本稿では,既存のビデオ分類手法に基づく,シーケンスに基づく効果的な偽造検出フレームワークを提案する。
動作特徴をより表現しやすくするために,別の動作整合ブロックを提案する。
一般的なビデオ分類ネットワークを3つの顔偽造データに対して有望な結果を達成する。
論文 参考訳（メタデータ） (2024-03-08T09:25:48Z) - Attention Consistency Refined Masked Frequency Forgery Representation
for Generalizing Face Forgery Detection [96.539862328788]
既存の偽造検出方法は、未確認領域の真正性を決定する不満足な一般化能力に悩まされている。
ACMF(Attention Consistency Refined masked frequency forgery representation model)を提案する。
いくつかのパブリックフェイスフォージェリーデータセットの実験結果から,提案手法の性能は最先端の手法と比較して優れていることが示された。
論文 参考訳（メタデータ） (2023-07-21T08:58:49Z) - Detect Any Deepfakes: Segment Anything Meets Face Forgery Detection and
Localization [30.317619885984005]
本稿では,視覚的セグメンテーション基盤モデル,すなわちセグメンテーションモデル(SAM)をフォージェリ検出とローカライゼーションの対面に導入する。
SAMに基づいて,Multiscale Adapterを用いたDADFフレームワークを提案する。
提案するフレームワークは、エンドツーエンドのフォージェリーローカライゼーションと検出最適化をシームレスに統合する。
論文 参考訳（メタデータ） (2023-06-29T16:25:04Z) - Collaborative Feature Learning for Fine-grained Facial Forgery Detection
and Segmentation [56.73855202368894]
偽造検出に関する以前の研究は、主に顔全体に焦点を当てていた。
近年の偽造法では、重要な顔成分を編集し、他の成分をそのまま維持する手法が開発されている。
ファリシファイドコンポーネントの操作とセグメンテーションを同時に検出するための協調的特徴学習手法を提案する。
論文 参考訳（メタデータ） (2023-04-17T08:49:11Z) - FedForgery: Generalized Face Forgery Detection with Residual Federated
Learning [87.746829550726]
既存の顔偽造検出方法は、取得した共有データや集中データを直接利用して訓練を行う。
顔偽造検出のための一般化された残留フェデレーション学習(FedForgery)を提案する。
顔偽造検出データセットを公開して行った実験は、提案したFedForgeryの優れた性能を証明している。
論文 参考訳（メタデータ） (2022-10-18T03:32:18Z) - Learning Multiple Explainable and Generalizable Cues for Face
Anti-spoofing [35.60198131792312]
本稿では,顔のアンチスプーフィングのための複数の説明可能な一般化可能なキュー(MEGC)を学習するための新しいフレームワークを提案する。
人的決定のプロセスに触発されて、主に人間によって使用される4つのキューが補助的な監督として紹介される。
論文 参考訳（メタデータ） (2022-02-21T12:55:59Z) - MC-LCR: Multi-modal contrastive classification by locally correlated
representations for effective face forgery detection [11.124150983521158]
局所的関連表現を用いたマルチモーダルコントラスト分類法を提案する。
我々のMC-LCRは、空間領域と周波数領域の両方から真偽顔と偽顔の暗黙の局所的不一致を増幅することを目的としている。
我々は最先端の性能を達成し,本手法の堅牢性と一般化を実証する。
論文 参考訳（メタデータ） (2021-10-07T09:24:12Z) - Detect and Locate: A Face Anti-Manipulation Approach with Semantic and
Noise-level Supervision [67.73180660609844]
本稿では,画像中の偽造顔を効率的に検出する,概念的にシンプルだが効果的な方法を提案する。
提案手法は,画像に関する意味の高い意味情報を提供するセグメンテーションマップに依存する。
提案モデルでは,最先端検出精度と顕著なローカライゼーション性能を実現する。
論文 参考訳（メタデータ） (2021-07-13T02:59:31Z) - Local Relation Learning for Face Forgery Detection [73.73130683091154]
局所的関係学習による顔の偽造検出の新たな視点を提案する。
具体的には,局所的な特徴間の類似度を測定するMPSM(Multi-scale Patch similarity Module)を提案する。
また、より包括的な局所特徴表現のために、RGBおよび周波数領域の情報を融合するRGB-Frequency Attention Module (RFAM)を提案する。
論文 参考訳（メタデータ） (2021-05-06T10:44:32Z)
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。