論文の概要: FRIDAY: Mitigating Unintentional Facial Identity in Deepfake Detectors Guided by Facial Recognizers

• arxiv url: http://arxiv.org/abs/2412.14623v1
• Date: Thu, 19 Dec 2024 08:21:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-20 13:32:18.272074
• Title: FRIDAY: Mitigating Unintentional Facial Identity in Deepfake Detectors Guided by Facial Recognizers
• Title（参考訳）: FRIDAY: 顔認識者によるディープフェイク検出における意図しない顔の識別の軽減
• Authors: Younhun Kim, Myung-Joon Kwon, Wonjun Lee, Changick Kim,
• Abstract要約: 従来のディープフェイク検出方法はトレーニング領域内では良好に機能するが、新しい合成技術によってその効果は著しく低下する。 近年の研究では、検出モデルが合成人工物ではなく、顔の同一性に基づく決定境界をしばしば生成していることが判明している。 本稿では,顔認識による顔認証の影響を緩和する新たな訓練手法であるFRIDAY(Falcial Recognition Identity Attenuation)を提案する。
• 参考スコア（独自算出の注目度）: 16.702284414478292
• License:
• Abstract: Previous Deepfake detection methods perform well within their training domains, but their effectiveness diminishes significantly with new synthesis techniques. Recent studies have revealed that detection models often create decision boundaries based on facial identity rather than synthetic artifacts, resulting in poor performance on cross-domain datasets. To address this limitation, we propose Facial Recognition Identity Attenuation (FRIDAY), a novel training method that mitigates facial identity influence using a face recognizer. Specifically, we first train a face recognizer using the same backbone as the Deepfake detector. The recognizer is then frozen and employed during the detector's training to reduce facial identity information. This is achieved by feeding input images into both the recognizer and the detector, and minimizing the similarity of their feature embeddings through our Facial Identity Attenuating loss. This process encourages the detector to generate embeddings distinct from the recognizer, effectively reducing the impact of facial identity. Extensive experiments demonstrate that our approach significantly enhances detection performance on both in-domain and cross-domain datasets.
• Abstract（参考訳）: 従来のディープフェイク検出方法はトレーニング領域内では良好に機能するが、新しい合成技術によってその効果は著しく低下する。 近年の研究では、検出モデルが合成アーティファクトではなく、顔認証に基づく決定境界をしばしば生成し、ドメイン間データセットの性能が低下することが明らかになっている。 この制限に対処するため,顔認識器を用いた顔認証の影響を緩和する新たな訓練法であるFRIDAY(Falcial Recognition Identity Attenuation)を提案する。 具体的には、まずDeepfake検出器と同じバックボーンを使って顔認識器を訓練する。 その後、認識器は凍結され、検出器のトレーニング中に顔認証情報を減らすために使用される。 これは、入力画像を認識器と検出器の両方に入力し、顔認証の減衰損失を通じて特徴埋め込みの類似性を最小化することで達成される。 このプロセスは、検出器が認識者とは異なる埋め込みを生成することを奨励し、顔の同一性の影響を効果的に軽減する。 大規模な実験により、本手法はドメイン内およびドメイン間両方のデータセットにおける検出性能を大幅に向上することが示された。

関連論文リスト

• UniForensics: Face Forgery Detection via General Facial Representation [60.5421627990707]
  高レベルの意味的特徴は摂動の影響を受けにくく、フォージェリー固有の人工物に限らないため、より強い一般化がある。 我々は、トランスフォーマーベースのビデオネットワークを活用する新しいディープフェイク検出フレームワークUniForensicsを導入し、顔の豊かな表現のためのメタファンクショナルな顔分類を行う。
  論文  参考訳（メタデータ） (2024-07-26T20:51:54Z)
• TetraLoss: Improving the Robustness of Face Recognition against Morphing Attacks [7.092869001331781]
  顔認識システムは、高セキュリティアプリケーションに広くデプロイされている。 フェースモーフィングのようなデジタル操作は、顔認識システムにセキュリティ上の脅威をもたらす。 本稿では,ディープラーニングに基づく顔認識システムを,顔形態攻撃に対してより堅牢なものにするための新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-01-21T21:04:05Z)
• DeepFidelity: Perceptual Forgery Fidelity Assessment for Deepfake Detection [67.3143177137102]
  ディープフェイク検出(Deepfake detection)とは、画像やビデオにおいて、人工的に生成された顔や編集された顔を検出すること。 本稿では,実顔と偽顔とを適応的に識別するDeepFidelityという新しいDeepfake検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-07T07:19:45Z)
• Seeing through the Mask: Multi-task Generative Mask Decoupling Face Recognition [47.248075664420874]
  現在の一般的な顔認識システムは、隠蔽シーンに遭遇する際の重大な性能劣化に悩まされている。 本稿では,これら2つのタスクを協調的に扱うために,マルチタスクのgEnerative mask dEcoupling Face Recognition (MEER) ネットワークを提案する。 まず,マスクと識別情報を分離する新しいマスクデカップリングモジュールを提案する。
  論文  参考訳（メタデータ） (2023-11-20T03:23:03Z)
• Exploring Decision-based Black-box Attacks on Face Forgery Detection [53.181920529225906]
  顔の偽造生成技術は鮮明な顔を生み出し、セキュリティとプライバシーに対する世間の懸念を高めている。 顔偽造検出は偽の顔の識別に成功しているが、最近の研究では顔偽造検出は敵の例に対して非常に脆弱であることが示されている。
  論文  参考訳（メタデータ） (2023-10-18T14:49:54Z)
• DuetFace: Collaborative Privacy-Preserving Face Recognition via Channel Splitting in the Frequency Domain [23.4606547767188]
  DuetFaceは、周波数領域における協調推論を利用するプライバシー保護の顔認識手法である。 提案手法は、保護されていないArcFaceと同等の認識精度とコストを達成し、最先端のプライバシ保存手法より優れている。
  論文  参考訳（メタデータ） (2022-07-15T08:35:44Z)
• Towards Intrinsic Common Discriminative Features Learning for Face Forgery Detection using Adversarial Learning [59.548960057358435]
  本稿では, 対人学習を利用して, 異なる偽造法と顔の同一性による負の効果を除去する手法を提案する。 我々の顔偽造検出モデルは、偽造法や顔の同一性の影響を排除し、共通の識別的特徴を抽出することを学ぶ。
  論文  参考訳（メタデータ） (2022-07-08T09:23:59Z)
• Harnessing Unrecognizable Faces for Face Recognition [87.80037162457427]
  本稿では,顔画像の認識可能性の尺度を提案し,主に認識可能なアイデンティティを用いて訓練されたディープニューラルネットワークによって実現された。 FAR=1e-5において,認識可能性を考慮した場合,単画像認識の誤り率を58%減少させることを示す。
  論文  参考訳（メタデータ） (2021-06-08T05:25:03Z)
• Representative Forgery Mining for Fake Face Detection [52.896286647898386]
  ディテクタの精緻化と注目の拡大を導くための注意ベースのデータ拡張フレームワークを提案します。 提案手法は,トップnのセンシティブな顔領域を追跡し,検出者に対して,以前無視された領域にさらに深く掘り下げて,より代表的な偽造を行うように促す。
  論文  参考訳（メタデータ） (2021-04-14T03:24:19Z)

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。