論文の概要: 1M-Deepfakes Detection Challenge

• arxiv url: http://arxiv.org/abs/2409.06991v1
• Date: Wed, 11 Sep 2024 03:43:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-12 15:47:11.592611
• Title: 1M-Deepfakes Detection Challenge
• Title（参考訳）: 1Mディープフェイク検出チャレンジ
• Authors: Zhixi Cai, Abhinav Dhall, Shreya Ghosh, Munawar Hayat, Dimitrios Kollias, Kalin Stefanov, Usman Tariq,
• Abstract要約: 1M-Deepfakes Detection Challengeは、ディープフェイク操作の検出とローカライズのための高度な手法の開発に研究コミュニティを巻き込むように設計されている。 参加者はAV-Deepfake1Mデータセットにアクセスでき、評価のために推論結果を提出する必要がある。 この課題を通じて開発された方法論は、次世代のディープフェイク検出およびローカライゼーションシステムの開発に寄与する。
• 参考スコア（独自算出の注目度）: 31.994908331728958
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The detection and localization of deepfake content, particularly when small fake segments are seamlessly mixed with real videos, remains a significant challenge in the field of digital media security. Based on the recently released AV-Deepfake1M dataset, which contains more than 1 million manipulated videos across more than 2,000 subjects, we introduce the 1M-Deepfakes Detection Challenge. This challenge is designed to engage the research community in developing advanced methods for detecting and localizing deepfake manipulations within the large-scale high-realistic audio-visual dataset. The participants can access the AV-Deepfake1M dataset and are required to submit their inference results for evaluation across the metrics for detection or localization tasks. The methodologies developed through the challenge will contribute to the development of next-generation deepfake detection and localization systems. Evaluation scripts, baseline models, and accompanying code will be available on https://github.com/ControlNet/AV-Deepfake1M.
• Abstract（参考訳）: ディープフェイクコンテンツの検出とローカライゼーションは、特に小さなフェイクセグメントが実際のビデオとシームレスに混ざり合っている場合、デジタルメディアのセキュリティ分野において重要な課題である。 最近リリースされたAV-Deepfake1Mデータセットに基づいて、2000人以上の被験者に100万以上の操作されたビデオが含まれている。 この課題は、大規模で現実的なオーディオ視覚データセット内のディープフェイク操作を検出し、ローカライズする高度な手法の開発に、研究コミュニティを巻き込むことを目的としている。 参加者はAV-Deepfake1Mデータセットにアクセスでき、検出やローカライゼーションタスクのメトリクス間で評価のために推論結果を提出する必要がある。 この課題を通じて開発された方法論は、次世代のディープフェイク検出およびローカライゼーションシステムの開発に寄与する。 評価スクリプト、ベースラインモデル、および付随するコードはhttps://github.com/ControlNet/AV-Deepfake1Mで入手できる。

関連論文リスト

• Contextual Cross-Modal Attention for Audio-Visual Deepfake Detection and Localization [3.9440964696313485]
  デジタル時代には、ディープフェイクや合成メディアの出現は、社会的・政治的整合性に対する重大な脅威となる。 オーディオ視覚のようなマルチモーダル操作に基づくディープフェイクは、より現実的であり、より大きな脅威をもたらす。 本稿では,音声・視覚的ディープフェイク検出にコンテキスト情報を活用する,リカレントニューラルネットワーク(RNN)に基づく新しいマルチモーダルアテンションフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-02T18:45:01Z)
• The Codecfake Dataset and Countermeasures for the Universally Detection of Deepfake Audio [42.84634652376024]
  ALMベースのディープフェイクオーディオは、広範に広範に、高い騙しと、多目的性を示す。 本研究では,ALMに基づくディープフェイク音声を効果的に検出するために,ALMに基づく音声生成手法のメカニズムに着目した。 ドメインバランスと一般化されたミニマを学習するための CSAM 戦略を提案する。
  論文  参考訳（メタデータ） (2024-05-08T08:28:40Z)
• AV-Deepfake1M: A Large-Scale LLM-Driven Audio-Visual Deepfake Dataset [21.90332221144928]
  AV-Deepfake1Mデータセットを提案する。 データセットには、コンテンツ駆動(i)ビデオ操作、(ii)オーディオ操作、(iii)2K以上の被験者に対するオーディオ視覚操作が含まれており、結果として100万以上のビデオが生成される。
  論文  参考訳（メタデータ） (2023-11-26T14:17:51Z)
• AVTENet: Audio-Visual Transformer-based Ensemble Network Exploiting Multiple Experts for Video Deepfake Detection [53.448283629898214]
  近年の超現実的なディープフェイクビデオの普及は、オーディオと視覚の偽造の脅威に注意を向けている。 AI生成のフェイクビデオの検出に関するこれまでのほとんどの研究は、視覚的モダリティまたはオーディオ的モダリティのみを使用していた。 音響操作と視覚操作の両方を考慮したAVTENet(Audio-Visual Transformer-based Ensemble Network)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-19T19:01:26Z)
• A Continual Deepfake Detection Benchmark: Dataset, Methods, and Essentials [97.69553832500547]
  本稿では, 既知の生成モデルと未知の生成モデルの両方から, 新たなディープフェイク集合に対する連続的なディープフェイク検出ベンチマーク(CDDB)を提案する。 本研究では,連続的なディープラーニング検出問題に対して,連続的な視覚認識で一般的に使用される多クラス漸進学習手法を適応するために,複数のアプローチを利用する。
  論文  参考訳（メタデータ） (2022-05-11T13:07:19Z)
• 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)
• Face Forensics in the Wild [121.23154918448618]
  我々は、ffiw-10kと呼ばれる新しい大規模データセットを構築し、高品質の偽造ビデオ1万本を含む。 操作手順は完全自動で、ドメイン対逆品質評価ネットワークによって制御されます。 さらに,多人数顔偽造検出の課題に取り組むための新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-30T05:06:19Z)
• 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)
• The DeepFake Detection Challenge (DFDC) Dataset [8.451007921188019]
  Deepfakesは、誰でも一つのビデオで2つのIDを交換できるテクニックだ。 この新たな脅威に対処するため、私たちは非常に大きな顔スワップビデオデータセットを構築しました。 記録されたすべての被験者は、顔障害者データセットの構築中にその類似性を変更し、参加することに同意した。
  論文  参考訳（メタデータ） (2020-06-12T18:15:55Z)
• Deepfakes Detection with Automatic Face Weighting [21.723416806728668]
  コンボリューションニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)に基づいて,映像中の顔から視覚的特徴と時間的特徴を抽出し,操作を正確に検出する手法を提案する。 この手法はDeepfake Detection Challengeデータセットを用いて評価され、他の手法と比較して競合的な結果が得られる。
  論文  参考訳（メタデータ） (2020-04-25T00:47:42Z)
• DeeperForensics-1.0: A Large-Scale Dataset for Real-World Face Forgery Detection [93.24684159708114]
  DeeperForensics-1.0は、これまでで最大の顔偽造検出データセットであり、合計で1760万フレームの6万本のビデオで構成されている。 生成されたビデオの品質は、既存のデータセットよりも優れており、ユーザ研究によって検証されている。 このベンチマークには隠れたテストセットがあり、人間の評価において高い認識スコアを達成する操作されたビデオを含んでいる。
  論文  参考訳（メタデータ） (2020-01-09T14:37:17Z)

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。