論文の概要: Enhancing Abnormality Identification: Robust Out-of-Distribution Strategies for Deepfake Detection

• arxiv url: http://arxiv.org/abs/2506.02857v1
• Date: Tue, 03 Jun 2025 13:24:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:35.699952
• Title: Enhancing Abnormality Identification: Robust Out-of-Distribution Strategies for Deepfake Detection
• Title（参考訳）: 異常同定の促進:ディープフェイク検出のためのロバストなアウト・オブ・ディストリビューション戦略
• Authors: Luca Maiano, Fabrizio Casadei, Irene Amerini,
• Abstract要約: 本稿では,2つの新しいOf-Distribution(OOD)検出手法を提案する。 第1のアプローチは入力画像の再構築のために訓練され、第2のアプローチはOODを検出するための注意機構が組み込まれている。 提案手法は,ベンチマーク上での最高性能構成のうち,深度検出とランク付けにおいて有望な結果が得られる。
• 参考スコア（独自算出の注目度）: 2.4851820343103035
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Detecting deepfakes has become a critical challenge in Computer Vision and Artificial Intelligence. Despite significant progress in detection techniques, generalizing them to open-set scenarios continues to be a persistent difficulty. Neural networks are often trained on the closed-world assumption, but with new generative models constantly evolving, it is inevitable to encounter data generated by models that are not part of the training distribution. To address these challenges, in this paper, we propose two novel Out-Of-Distribution (OOD) detection approaches. The first approach is trained to reconstruct the input image, while the second incorporates an attention mechanism for detecting OODs. Our experiments validate the effectiveness of the proposed approaches compared to existing state-of-the-art techniques. Our method achieves promising results in deepfake detection and ranks among the top-performing configurations on the benchmark, demonstrating their potential for robust, adaptable solutions in dynamic, real-world applications.
• Abstract（参考訳）: ディープフェイクを検出することは、コンピュータビジョンと人工知能において重要な課題となっている。 検出技術が大幅に進歩したにもかかわらず、それらをオープンセットシナリオに一般化することは、引き続き持続的な困難である。 ニューラルネットワークはしばしばクローズドワールドの仮定に基づいてトレーニングされるが、新しい生成モデルは常に進化しているため、トレーニング分布の一部ではないモデルによって生成されたデータに遭遇することは避けられない。 これらの課題に対処するため,本稿では2つの新しいOf-Distribution(OOD)検出手法を提案する。 第1のアプローチは入力画像の再構築のために訓練され、第2のアプローチはOODを検出するための注意機構が組み込まれている。 本実験は,既存の最先端技術と比較して提案手法の有効性を検証した。 提案手法は,実世界の動的アプリケーションにおいて,頑健で適応可能なソリューションの可能性を示すとともに,ベンチマーク上での最高性能構成のうちのディープフェイク検出とランク付けにおいて有望な結果を達成している。

関連論文リスト

• Robust AI-Generated Face Detection with Imbalanced Data [10.360215701635674]
  現在のディープフェイク検出技術は、ローカルアーティファクトに焦点を当てたCNNベースの手法から、CLIPのようなビジョントランスフォーマーやマルチモーダルモデルを使ったより高度なアプローチへと進化してきた。 近年の進歩にもかかわらず、最先端のディープフェイク検出器は、新しい生成モデルからの分布シフトを扱う上で大きな課題に直面している。 動的損失再重み付けとランキングに基づく最適化を組み合わせたフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-04T17:02:10Z)
• 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)
• Forward-Forward Learning achieves Highly Selective Latent Representations for Out-of-Distribution Detection in Fully Spiking Neural Networks [6.7236795813629]
  生物学的システムにインスパイアされたスパイキングニューラルネットワーク(SNN)は、限界を克服するための有望な道を提供する。 本研究では,これらの課題に対処するために,スパイクフォワードフォワードアルゴリズム(FFA)の可能性を検討する。 本稿では,クラス分布からサンプルを遠ざける特徴を検出するための,新しい非勾配属性法を提案する。
  論文  参考訳（メタデータ） (2024-07-19T08:08:17Z)
• Deep Anomaly Detection in Text [3.4265828682659705]
  本論文は,テキストコーパスに適したプリテキストタスクを活用することによって,異常を検出する手法を開発することを目的とする。 このアプローチは、半教師付きおよび教師なしの異常検出の両方において、2つのデータセットである20NewsgroupsとAG Newsの最先端性を大幅に改善する。
  論文  参考訳（メタデータ） (2023-12-14T22:04:43Z)
• CrossDF: Improving Cross-Domain Deepfake Detection with Deep Information Decomposition [53.860796916196634]
  クロスデータセットディープフェイク検出(CrossDF)の性能を高めるためのディープ情報分解(DID)フレームワークを提案する。 既存のディープフェイク検出方法とは異なり、我々のフレームワークは特定の視覚的アーティファクトよりも高いレベルのセマンティック特徴を優先する。 顔の特徴をディープフェイク関連情報と無関係情報に適応的に分解し、本質的なディープフェイク関連情報のみを用いてリアルタイム・フェイク識別を行う。
  論文  参考訳（メタデータ） (2023-09-30T12:30:25Z)
• Detecting Out-of-distribution Objects Using Neuron Activation Patterns [0.0]
  物体検出装置(NAPTRON)における分布外サンプル検出のためのニューロン活性化PaTteRnsを導入する。 提案手法は,ID(In-distribution)のパフォーマンスに影響を与えることなく,最先端の手法よりも優れている。 OODオブジェクト検出のための最大のオープンソースベンチマークを作成しました。
  論文  参考訳（メタデータ） (2023-07-31T06:41:26Z)
• A Robust Likelihood Model for Novelty Detection [8.766411351797883]
  新規性や異常検出に対する現在のアプローチは、ディープニューラルネットワークに基づいている。 我々は、攻撃に対する防御として、新規性テストの堅牢な可能性を学ぶことを目的とした新しい事前提案を行う。 我々はまた、最先端のノベルティ検出アプローチと、それ以前のものを統合する。
  論文  参考訳（メタデータ） (2023-06-06T01:02:31Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Artificial Fingerprinting for Generative Models: Rooting Deepfake Attribution in Training Data [64.65952078807086]
  光現実性画像生成は、GAN(Generative Adversarial Network)のブレークスルーにより、新たな品質レベルに達した。 しかし、このようなディープフェイクのダークサイド、すなわち生成されたメディアの悪意ある使用は、視覚的誤報に関する懸念を提起する。 我々は,モデルに人工指紋を導入することによって,深度検出の積極的な,持続可能なソリューションを模索する。
  論文  参考訳（メタデータ） (2020-07-16T16:49:55Z)

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。