論文の概要: Pay Less Attention to Deceptive Artifacts: Robust Detection of Compressed Deepfakes on Online Social Networks

• arxiv url: http://arxiv.org/abs/2506.20548v1
• Date: Wed, 25 Jun 2025 15:46:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.821507
• Title: Pay Less Attention to Deceptive Artifacts: Robust Detection of Compressed Deepfakes on Online Social Networks
• Title（参考訳）: 知覚的アーティファクトに対する注意力の低下:オンラインソーシャルネットワークにおける圧縮ディープフェイクのロバスト検出
• Authors: Manyi Li, Renshuai Tao, Yufan Liu, Chuangchuang Tan, Haotong Qin, Bing Li, Yunchao Wei, Yao Zhao,
• Abstract要約: オンラインソーシャルネットワーク(OSNs)における圧縮による「ブロック効果を見下ろす既存のディープフェイク検出方法」 本稿では,ペア化データの欠如と圧縮画像の非効率利用に対処する新しいフレームワークPLADAを提案する。 PLADAは2つのコアモジュールで構成されている。Block Effect Eraser (B2E) はブロック効果を処理するために2段階のアテンション機構を使用し、Open Data Aggregation (ODA) はペアデータとアンペアデータの両方を処理して検出を改善する。
• 参考スコア（独自算出の注目度）: 81.21729774122554
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid advancement of deep learning, particularly through generative adversarial networks (GANs) and diffusion models (DMs), AI-generated images, or ``deepfakes", have become nearly indistinguishable from real ones. These images are widely shared across Online Social Networks (OSNs), raising concerns about their misuse. Existing deepfake detection methods overlook the ``block effects" introduced by compression in OSNs, which obscure deepfake artifacts, and primarily focus on raw images, rarely encountered in real-world scenarios. To address these challenges, we propose PLADA (Pay Less Attention to Deceptive Artifacts), a novel framework designed to tackle the lack of paired data and the ineffective use of compressed images. PLADA consists of two core modules: Block Effect Eraser (B2E), which uses a dual-stage attention mechanism to handle block effects, and Open Data Aggregation (ODA), which processes both paired and unpaired data to improve detection. Extensive experiments across 26 datasets demonstrate that PLADA achieves a remarkable balance in deepfake detection, outperforming SoTA methods in detecting deepfakes on OSNs, even with limited paired data and compression. More importantly, this work introduces the ``block effect" as a critical factor in deepfake detection, providing a robust solution for open-world scenarios. Our code is available at https://github.com/ManyiLee/PLADA.
• Abstract（参考訳）: ディープラーニングの急速な進歩、特にGAN(Generative Adversarial Network)と拡散モデル(DM)を通じて、AI生成画像("deepfakes")は、現実のものとほとんど区別できないものになっている。これらの画像は、オンラインソーシャルネットワーク(OSN)間で広く共有されており、その誤用に対する懸念が高まっている。既存のディープフェイク検出手法は、OSNの圧縮によって導入された「ブロック効果」を見落としている。これは、ディープフェイクアーティファクトを隠蔽し、主に生画像に焦点を当てており、現実のシナリオではまれである。 これらの課題に対処するために,ペアデータの欠如と圧縮画像の非効率利用に対処する新しいフレームワークPLADA(Pay Less Attention to Deceptive Artifacts)を提案する。 PLADAは2つのコアモジュールで構成されている。Block Effect Eraser (B2E) はブロック効果を処理するために2段階のアテンション機構を使用し、Open Data Aggregation (ODA) はペアデータとアンペアデータの両方を処理して検出を改善する。 26のデータセットにわたる大規模な実験により、PLADAは、ペアのデータと圧縮が限定された場合でも、OSNのディープフェイクを検出するSoTAメソッドよりも優れた、ディープフェイク検出の顕著なバランスを達成していることが示された。 さらに重要なのは、この研究は、ディープフェイク検出の重要な要素として‘ブロック効果’を導入し、オープンワールドシナリオに対する堅牢なソリューションを提供します。 私たちのコードはhttps://github.com/ManyiLee/PLADA.comで公開されています。

関連論文リスト

• ODDN: Addressing Unpaired Data Challenges in Open-World Deepfake Detection on Online Social Networks [51.03118447290247]
  オープンワールドデータアグリゲーション(ODA)と圧縮・ディスカード勾配補正(CGC)を組み合わせたオープンワールドディープフェイク検出ネットワーク(ODDN)を提案する。 細粒度分析と粗粒度分析の両方により,ODAは圧縮試料と原試料の相関関係を効果的に集約する。 CGCは、オンラインソーシャルネットワーク(OSN)における多種多様な圧縮方法のパフォーマンス向上のために、圧縮・ディスカード勾配補正を組み込んだ。
  論文  参考訳（メタデータ） (2024-10-24T12:32:22Z)
• Faster Than Lies: Real-time Deepfake Detection using Binary Neural Networks [0.0]
  ディープフェイク検出は、オンラインコンテンツへの信頼を損なうディープフェイクメディアの拡散と対比することを目的としている。 本稿では,BNN(Binary Neural Networks)を用いた画像に対する新しいディープフェイク検出手法を提案する。
  論文  参考訳（メタデータ） (2024-06-07T13:37:36Z)
• 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)
• Robustness and Generalizability of Deepfake Detection: A Study with Diffusion Models [35.188364409869465]
  本稿では,ディープフェイクの作り方と識別方法について検討する。 私たちの研究の基盤は、DeepFakeFaceという名の有名人の顔の豊富なコレクションです。 このデータはディープフェイクを見つけるために設計されたアルゴリズムを訓練し、テストするための堅牢な基盤となる。
  論文  参考訳（メタデータ） (2023-09-05T13:22:41Z)
• 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。