論文の概要: From Specificity to Generality: Revisiting Generalizable Artifacts in Detecting Face Deepfakes

• arxiv url: http://arxiv.org/abs/2504.04827v1
• Date: Mon, 07 Apr 2025 08:34:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:14:33.618616
• Title: From Specificity to Generality: Revisiting Generalizable Artifacts in Detecting Face Deepfakes
• Title（参考訳）: 特殊性から一般性へ:顔深度検出における一般化可能なアーティファクトの再考
• Authors: Long Ma, Zhiyuan Yan, Yize Chen, Jin Xu, Qinglang Guo, Hu Huang, Yong Liao, Hui Lin,
• Abstract要約: 顔の不整合アーチファクト(FIA)とアップサンプリングアーティファクト(USA) FIAは、すべての複雑な詳細を生成するという課題から生じる。 アメリカは発電機のデコーダが残した避けられない痕跡です。
• 参考スコア（独自算出の注目度）: 14.950531941553937
• License:
• Abstract: Detecting deepfakes has been an increasingly important topic, especially given the rapid development of AI generation techniques. In this paper, we ask: How can we build a universal detection framework that is effective for most facial deepfakes? One significant challenge is the wide variety of deepfake generators available, resulting in varying forgery artifacts (e.g., lighting inconsistency, color mismatch, etc). But should we ``teach" the detector to learn all these artifacts separately? It is impossible and impractical to elaborate on them all. So the core idea is to pinpoint the more common and general artifacts across different deepfakes. Accordingly, we categorize deepfake artifacts into two distinct yet complementary types: Face Inconsistency Artifacts (FIA) and Up-Sampling Artifacts (USA). FIA arise from the challenge of generating all intricate details, inevitably causing inconsistencies between the complex facial features and relatively uniform surrounding areas. USA, on the other hand, are the inevitable traces left by the generator's decoder during the up-sampling process. This categorization stems from the observation that all existing deepfakes typically exhibit one or both of these artifacts. To achieve this, we propose a new data-level pseudo-fake creation framework that constructs fake samples with only the FIA and USA, without introducing extra less-general artifacts. Specifically, we employ a super-resolution to simulate the USA, while design a Blender module that uses image-level self-blending on diverse facial regions to create the FIA. We surprisingly found that, with this intuitive design, a standard image classifier trained only with our pseudo-fake data can non-trivially generalize well to unseen deepfakes.
• Abstract（参考訳）: ディープフェイクの検出は、特にAI生成技術の急速な発展を考えると、ますます重要になっているトピックである。 本稿では,ほとんどの顔深度に有効である普遍的な検出フレームワークをどのように構築できるかを問う。 重要な課題の1つは、利用可能な様々なディープフェイクジェネレータであり、様々な偽造品(例えば、照明の不整合、色ミスマッチなど)をもたらす。 しかし、これらすべてのアーティファクトを別々に学ぶために、検出器を ‘Teach’ すべきだろうか? 彼ら全員に精通するのは不可能で非現実的です。 ですから、中核となる考え方は、さまざまなディープフェイクにまたがって、より一般的で一般的なアーティファクトを特定することです。 そこで我々は,深層工芸品を,顔不整合アーティファクト(FIA)とアップサンプリングアーティファクト(USA)の2種類に分類した。 FIAは複雑な詳細を全て生成し、必然的に複雑な顔の特徴と比較的均一な周辺領域の間に不整合を引き起こす。 一方USAは、アップサンプリングプロセス中にジェネレータのデコーダが残した避けられない痕跡である。 この分類は、現存するすべてのディープフェイクが典型的にこれらのアーティファクトの1つまたは両方を示すという観察に由来する。 そこで本研究では,FIAとUSAのみで偽のサンプルを作成できるデータレベルの擬似フェイク生成フレームワークを提案する。 具体的には、米国をシミュレートする超高解像度のモジュールを使用し、多様な顔領域で画像レベルのセルフブレンディングを使用してFIAを作成するBlenderモジュールを設計する。 この直感的なデザインでは、擬似フェイクデータだけで訓練された標準的な画像分類器が、目に見えないディープフェイクに対して非自明に一般化できることに驚きました。

関連論文リスト

• A Lightweight and Interpretable Deepfakes Detection Framework [8.23719496171112]
  いわゆるディープフェイクの創造と普及は、社会生活、市民の休息、法律に深刻な脅威をもたらす。 既存の検出器のほとんどは、フェイススワップ、リップシンク、パペットマスターのディープフェイクの検出に重点を置いている。 本稿では,ハイブリッド顔のランドマークを融合した特徴量を利用した統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-21T07:03:11Z)
• DiffusionFake: Enhancing Generalization in Deepfake Detection via Guided Stable Diffusion [94.46904504076124]
  ディープフェイク技術は、顔交換を極めて現実的にし、偽造された顔コンテンツの使用に対する懸念を高めている。 既存の方法は、顔操作の多様な性質のため、目に見えない領域に一般化するのに苦労することが多い。 顔偽造者の生成過程を逆転させて検出モデルの一般化を促進する新しいフレームワークであるDiffusionFakeを紹介する。
  論文  参考訳（メタデータ） (2024-10-06T06:22:43Z)
• Can We Leave Deepfake Data Behind in Training Deepfake Detector? [14.167267434669501]
  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。
  論文  参考訳（メタデータ） (2024-08-30T07:22:11Z)
• Deepfake Detection without Deepfakes: Generalization via Synthetic Frequency Patterns Injection [12.33030785907372]
  ディープフェイク検出器は、通常、大量のプリステインと生成された画像に基づいて訓練される。 ディープフェイク検出器は、トレーニング中に遭遇した方法によって生成されたディープフェイクを識別するのが得意だが、未知のテクニックによって生成されたディープフェイクと競合する。 本稿では,ディープフェイク検出器の一般化能力の向上を目的とした学習手法を提案する。
  論文  参考訳（メタデータ） (2024-03-20T10:33:10Z)
• Real Face Foundation Representation Learning for Generalized Deepfake Detection [74.4691295738097]
  ディープフェイク技術の出現は、個人のプライバシーと公共の安全に脅威をもたらすため、社会的な問題となっている。 十分な偽の顔を集めることはほぼ不可能であり、既存の検出器があらゆる種類の操作に一般化することは困難である。 本稿では,大規模な実顔データセットから一般表現を学習することを目的としたリアルフェイスファウンデーション表現学習(RFFR)を提案する。
  論文  参考訳（メタデータ） (2023-03-15T08:27:56Z)
• Towards A Robust Deepfake Detector:Common Artifact Deepfake Detection Model [14.308886041268973]
  そこで本研究では,コモン・アーティファクト・ディープフェイク検出モデルという新しいディープフェイク検出手法を提案する。 共通アーティファクトの特徴を学習する上での大きな障害は、モデルがアイデンティティ表現機能によって容易に誤解されることである。 本手法は,Implicit Identity Leakageの影響を効果的に低減し,最先端技術よりも大きなマージンで性能を向上する。
  論文  参考訳（メタデータ） (2022-10-26T04:02:29Z)
• DeePhy: On Deepfake Phylogeny [58.01631614114075]
  DeePhyは、新しいDeepfake Phylogenyデータセットである。 6つのディープフェイク検出アルゴリズムを用いて,DeePhyデータセットのベンチマークを示す。
  論文  参考訳（メタデータ） (2022-09-19T15:30:33Z)
• 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)
• CMUA-Watermark: A Cross-Model Universal Adversarial Watermark for Combating Deepfakes [74.18502861399591]
  ディープフェイクの悪意ある応用(すなわち、テクノロジーはターゲットの顔や顔の特徴を生成できる)は、我々の社会に大きな脅威をもたらしている。 本稿では,深層圏モデルに対する普遍的敵攻撃法を提案し,CMUA-Watermark(CMUA-Watermark)を作成した。 実験の結果,提案したCMUA-Watermarkはディープフェイクモデルによって生成された偽の顔画像を効果的に歪めることができることがわかった。
  論文  参考訳（メタデータ） (2021-05-23T07:28:36Z)
• Multi-attentional Deepfake Detection [79.80308897734491]
  ディープフェイクによる顔の偽造はインターネットに広まり、深刻な社会的懸念を引き起こしている。 新たなマルチアテンテーショナルディープフェイク検出ネットワークを提案する。 具体的には,1)ネットワークを異なる局所的部分へ配置するための複数の空間的注意ヘッド,2)浅い特徴の微妙なアーティファクトをズームするテクスチャ的特徴拡張ブロック,3)低レベルなテクスチャ特徴と高レベルなセマンティクス特徴をアグリゲートする,の3つの構成要素からなる。
  論文  参考訳（メタデータ） (2021-03-03T13:56:14Z)

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。