論文の概要: Learning Real Facial Concepts for Independent Deepfake Detection

• arxiv url: http://arxiv.org/abs/2505.04460v1
• Date: Wed, 07 May 2025 14:31:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-08 19:07:36.108541
• Title: Learning Real Facial Concepts for Independent Deepfake Detection
• Title（参考訳）: ディペンデントディープフェイク検出のための実顔概念の学習
• Authors: Ming-Hui Liu, Harry Cheng, Tianyi Wang, Xin Luo, Xin-Shun Xu,
• Abstract要約: ディープフェイク検出モデルは、しばしば目に見えないデータセットへの一般化に苦労する。 本稿では,現実の顔の包括的概念を学習し,一般化を促進する新しいアプローチを提案する。 RealIDは最先端の手法よりも優れており、平均精度は1.74%向上している。
• 参考スコア（独自算出の注目度）: 14.917057673962278
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deepfake detection models often struggle with generalization to unseen datasets, manifesting as misclassifying real instances as fake in target domains. This is primarily due to an overreliance on forgery artifacts and a limited understanding of real faces. To address this challenge, we propose a novel approach RealID to enhance generalization by learning a comprehensive concept of real faces while assessing the probabilities of belonging to the real and fake classes independently. RealID comprises two key modules: the Real Concept Capture Module (RealC2) and the Independent Dual-Decision Classifier (IDC). With the assistance of a MultiReal Memory, RealC2 maintains various prototypes for real faces, allowing the model to capture a comprehensive concept of real class. Meanwhile, IDC redefines the classification strategy by making independent decisions based on the concept of the real class and the presence of forgery artifacts. Through the combined effect of the above modules, the influence of forgery-irrelevant patterns is alleviated, and extensive experiments on five widely used datasets demonstrate that RealID significantly outperforms existing state-of-the-art methods, achieving a 1.74% improvement in average accuracy.
• Abstract（参考訳）: ディープフェイク検出モデルは、ターゲットドメインの偽物として実際のインスタンスを誤分類しているとして、目に見えないデータセットへの一般化に苦慮することが多い。 これは主に偽造品への過度な依存と、実際の顔に対する限られた理解が原因である。 この課題に対処するために,本研究では,現実と偽のクラスに属する確率を独立して評価しながら,現実の顔の包括的概念を学習し,一般化を高めるための新しいアプローチであるRealIDを提案する。 RealIDはReal Concept Capture Module (RealC2)とIndependent Dual-Decision Classifier (IDC)の2つの主要なモジュールから構成されている。 マルチリアルメモリの助けを借りて、RealC2は実際の顔のための様々なプロトタイプを維持しており、モデルが実際のクラスの包括的な概念をキャプチャすることができる。 一方、IDCは、実際のクラスの概念と偽造品の存在に基づいて、独立した意思決定を行うことで、分類戦略を再定義する。 上記のモジュールの併用効果により、偽造非関連パターンの影響が緩和され、5つの広く使用されているデータセットに対する広範な実験により、RealIDは既存の最先端手法を著しく上回り、平均精度が1.74%向上したことが示されている。

関連論文リスト

• TruthLens: Explainable DeepFake Detection for Face Manipulated and Fully Synthetic Data [21.315907061821424]
  本稿では,DeepFake検出のための新しいフレームワークであるTruthLensを提案する。 TruthLensは、顔操作のDeepFakesと完全なAI生成コンテンツの両方を扱う。 予測のための詳細なテキスト推論を提供する。
  論文  参考訳（メタデータ） (2025-03-20T05:40:42Z)
• Generalizable Sensor-Based Activity Recognition via Categorical Concept Invariant Learning [5.920971285288677]
  HAR(Human Activity Recognition)は、大規模センサデータに基づくモデルトレーニングにより、活動を認識することを目的としている。 HARの重要な側面の1つは、テストセットがトレーニングセットとは異なる分布を持つ可能性があることである。 一般化可能なアクティビティ認識のためのカテゴリー概念不変学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-18T08:18:03Z)
• Zero-Shot Object-Centric Representation Learning [72.43369950684057]
  ゼロショット一般化のレンズによる現在の対象中心法について検討する。 8つの異なる合成および実世界のデータセットからなるベンチマークを導入する。 多様な実世界の画像のトレーニングにより、見えないシナリオへの転送性が向上することがわかった。
  論文  参考訳（メタデータ） (2024-08-17T10:37:07Z)
• 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)
• GM-DF: Generalized Multi-Scenario Deepfake Detection [49.072106087564144]
  既存の偽造検出は、通常、単一のドメインでのトレーニングモデルのパラダイムに従う。 本稿では,複数の顔偽造検出データセットを共同で訓練した場合のディープフェイク検出モデルの一般化能力について詳しく検討する。
  論文  参考訳（メタデータ） (2024-06-28T17:42:08Z)
• Learning from Multi-Perception Features for Real-Word Image Super-resolution [87.71135803794519]
  入力画像の複数の知覚的特徴を利用する新しいSR手法MPF-Netを提案する。 本稿では,MPFEモジュールを組み込んで,多様な知覚情報を抽出する手法を提案する。 また、モデルの学習能力を向上する対照的な正規化項(CR)も導入する。
  論文  参考訳（メタデータ） (2023-05-26T07:35:49Z)
• Style-Hallucinated Dual Consistency Learning: A Unified Framework for Visual Domain Generalization [113.03189252044773]
  本稿では,様々な視覚的タスクにおけるドメインシフトを処理するための統合フレームワークであるStyle-HAllucinated Dual consistEncy Learning (SHADE)を提案する。 我々の汎用SHADEは、画像分類、セマンティックセグメンテーション、オブジェクト検出など、様々な視覚認識タスクにおける一般化を著しく向上させることができる。
  論文  参考訳（メタデータ） (2022-12-18T11:42:51Z)
• Deepfake Detection via Joint Unsupervised Reconstruction and Supervised Classification [25.84902508816679]
  本稿では,再建作業と分類作業を同時に行うディープフェイク検出手法を提案する。 この方法は、あるタスクによって学習された情報を他のタスクと共有する。 提案手法は,一般的に使用されている3つのデータセットに対して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-11-24T05:44:26Z)
• Sim2Real Object-Centric Keypoint Detection and Description [40.58367357980036]
  キーポイントの検出と記述はコンピュータビジョンにおいて中心的な役割を果たす。 対象中心の定式化を提案し、各関心点が属する対象をさらに特定する必要がある。 我々はシミュレーションで訓練されたモデルを現実のアプリケーションに一般化できるsim2realコントラスト学習機構を開発した。
  論文  参考訳（メタデータ） (2022-02-01T15:00:20Z)

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。