論文の概要: Knowledge-Guided Prompt Learning for Deepfake Facial Image Detection

• arxiv url: http://arxiv.org/abs/2501.00700v1
• Date: Wed, 01 Jan 2025 02:18:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 17:14:30.400237
• Title: Knowledge-Guided Prompt Learning for Deepfake Facial Image Detection
• Title（参考訳）: ディープフェイク顔画像検出のための知識誘導型プロンプト学習
• Authors: Hao Wang, Cheng Deng, Zhidong Zhao,
• Abstract要約: ディープフェイク顔画像検出のための知識誘導型プロンプト学習法を提案する。 具体的には、学習可能なプロンプトの最適化を導くための専門家知識として、大規模言語モデルから偽造関連プロンプトを抽出する。 提案手法は最先端の手法よりも優れている。
• 参考スコア（独自算出の注目度）: 54.26588902144298
• License:
• Abstract: Recent generative models demonstrate impressive performance on synthesizing photographic images, which makes humans hardly to distinguish them from pristine ones, especially on realistic-looking synthetic facial images. Previous works mostly focus on mining discriminative artifacts from vast amount of visual data. However, they usually lack the exploration of prior knowledge and rarely pay attention to the domain shift between training categories (e.g., natural and indoor objects) and testing ones (e.g., fine-grained human facial images), resulting in unsatisfactory detection performance. To address these issues, we propose a novel knowledge-guided prompt learning method for deepfake facial image detection. Specifically, we retrieve forgery-related prompts from large language models as expert knowledge to guide the optimization of learnable prompts. Besides, we elaborate test-time prompt tuning to alleviate the domain shift, achieving significant performance improvement and boosting the application in real-world scenarios. Extensive experiments on DeepFakeFaceForensics dataset show that our proposed approach notably outperforms state-of-the-art methods.
• Abstract（参考訳）: 最近の生成モデルは、写真画像の合成に優れたパフォーマンスを示しており、人間の顔画像、特にリアルな表情の合成画像と区別しにくくなっている。 これまでの研究は主に、膨大なビジュアルデータから差別的アーティファクトをマイニングすることに焦点を当てていた。 しかし、それらは通常、事前知識の探索を欠いているため、トレーニングカテゴリ(例えば、自然と屋内の物体)とテストオブジェクト(例えば、きめ細かい人間の顔画像)のドメインシフトにはほとんど注意を払わず、不満足な検出性能をもたらす。 これらの課題に対処するために,深層画像検出のための知識誘導型プロンプト学習手法を提案する。 具体的には,学習可能なプロンプトの最適化を指導する専門家知識として,大規模言語モデルから偽造関連プロンプトを抽出する。 さらに、ドメインシフトを軽減するためにテスト時のプロンプトチューニングを精巧に行い、大幅なパフォーマンス向上と実際のシナリオでのアプリケーションの強化を実現しています。 DeepFakeFaceForensicsデータセットの大規模な実験は、提案手法が最先端の手法よりも優れていることを示している。

関連論文リスト

• LightFFDNets: Lightweight Convolutional Neural Networks for Rapid Facial Forgery Detection [0.0]
  本研究では,Fake-Vs-Real-Faces [10]と140k Real and Fake Faces [61]データセットを用いた画像処理による偽造検出に焦点を当てた。 これらの画像を用いて偽造検出を行うために,2つの軽量ディープラーニングモデルを提案する。 提案した軽量ディープラーニングモデルは,顔画像の偽造を正確に,かつ効率的に検出できることが示されている。
  論文  参考訳（メタデータ） (2024-11-18T18:44:10Z)
• Semantic Contextualization of Face Forgery: A New Definition, Dataset, and Detection Method [77.65459419417533]
  我々は,顔フォージェリを意味的文脈に配置し,意味的顔属性を変更する計算手法が顔フォージェリの源であることを定義した。 階層的なグラフで整理されたラベルの集合に各画像が関連付けられている大規模な顔偽画像データセットを構築した。 本稿では,ラベル関係を捕捉し,その優先課題を優先するセマンティクス指向の顔偽造検出手法を提案する。
  論文  参考訳（メタデータ） (2024-05-14T10:24:19Z)
• Unveiling the Truth: Exploring Human Gaze Patterns in Fake Images [34.02058539403381]
  我々は、人間の意味的知識を活用して、偽画像検出のフレームワークに含まれる可能性を調べる。 予備的な統計的分析により、人間が本物の画像や変化した画像をどのように知覚するかの特徴的なパターンを探索する。
  論文  参考訳（メタデータ） (2024-03-13T19:56:30Z)
• Detecting Generated Images by Real Images Only [64.12501227493765]
  既存の画像検出手法は、生成画像中の視覚的アーティファクトを検出したり、大規模なトレーニングによって、実画像と生成画像の両方から識別的特徴を学習する。 本稿では,新たな視点から生成した画像検出問題にアプローチする。 実画像の共通性を見つけ、特徴空間内の密接な部分空間にマッピングすることで、生成した画像は生成モデルに関係なくサブ空間の外側に投影される。
  論文  参考訳（メタデータ） (2023-11-02T03:09:37Z)
• Free-ATM: Exploring Unsupervised Learning on Diffusion-Generated Images with Free Attention Masks [64.67735676127208]
  テキストと画像の拡散モデルは、画像認識の恩恵を受ける大きな可能性を示している。 有望ではあるが、拡散生成画像の教師なし学習に特化した調査は不十分である。 上記フリーアテンションマスクをフル活用することで、カスタマイズされたソリューションを導入する。
  論文  参考訳（メタデータ） (2023-08-13T10:07:46Z)
• A survey on facial image deblurring [3.6775758132528877]
  顔画像がぼやけていると、顔認識などのハイレベルな視覚タスクに大きな影響を与えます。 本稿では,最近発表された顔画像の難読化手法について概説し,その大部分はディープラーニングに基づくものである。 本稿では,データセットとメトリクスにおける古典的手法の性能を示すとともに,モデルに基づく手法と学習に基づく手法の違いについて,簡単な議論を行う。
  論文  参考訳（メタデータ） (2023-02-10T02:24:56Z)
• SeeABLE: Soft Discrepancies and Bounded Contrastive Learning for Exposing Deepfakes [7.553507857251396]
  本研究では,検出問題を(一級)アウト・オブ・ディストリビューション検出タスクとして形式化する,SeeABLEと呼ばれる新しいディープフェイク検出器を提案する。 SeeABLEは、新しい回帰ベースの有界コントラスト損失を使用して、乱れた顔を事前定義されたプロトタイプにプッシュする。 我々のモデルは競合する最先端の検出器よりも高い性能を示しながら、高度に一般化能力を示す。
  論文  参考訳（メタデータ） (2022-11-21T09:38:30Z)
• Deepfake Forensics via An Adversarial Game [99.84099103679816]
  顔偽造と画像・映像品質の両面での一般化能力向上のための対人訓練を提唱する。 AIベースの顔操作は、しばしば、一般化が困難であるモデルによって容易に発見できる高周波アーティファクトにつながることを考慮し、これらの特定のアーティファクトを曖昧にしようとする新しい逆トレーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-03-25T02:20:08Z)
• From A Glance to "Gotcha": Interactive Facial Image Retrieval with Progressive Relevance Feedback [72.29919762941029]
  本稿では,目撃者から徐々にフィードバックを得て顔画像を取得するためのエンドツーエンドフレームワークを提案する。 追加のアノテーションを必要とせずに、私たちのモデルは少しのレスポンスの努力を犠牲にして適用できます。
  論文  参考訳（メタデータ） (2020-07-30T18:46:25Z)

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。