論文の概要: DDL: A Dataset for Interpretable Deepfake Detection and Localization in Real-World Scenarios

• arxiv url: http://arxiv.org/abs/2506.23292v1
• Date: Sun, 29 Jun 2025 15:29:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.812577
• Title: DDL: A Dataset for Interpretable Deepfake Detection and Localization in Real-World Scenarios
• Title（参考訳）: DDL:実世界のシナリオにおける解釈可能なディープフェイク検出と位置推定のためのデータセット
• Authors: Changtao Miao, Yi Zhang, Weize Gao, Man Luo, Weiwei Feng, Zhiya Tan, Jianshu Li, Ajian Liu, Yunfeng Diao, Qi Chu, Tao Gong, Zhe Li, Weibin Yao, Joey Tianyi Zhou,
• Abstract要約: AIGCは悪意のあるディープフェイクコンテンツの誤用を悪化させた。 既存のディープフェイク検出モデルは、検出基準において優れた性能を示す。 法律などの重要な領域では、信頼性と決定の権威を高めるために解釈可能性が不可欠である。
• 参考スコア（独自算出の注目度）: 42.304804257623395
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent advances in AIGC have exacerbated the misuse of malicious deepfake content, making the development of reliable deepfake detection methods an essential means to address this challenge. Although existing deepfake detection models demonstrate outstanding performance in detection metrics, most methods only provide simple binary classification results, lacking interpretability. In critical domains such as law, interpretability is crucial for enhancing the credibility and authority of decisions. Recent studies attempt to improve the interpretability of classification results by providing spatial manipulation masks or temporal forgery segments. However, the practical effectiveness of these methods remains suboptimal due to limitations of the forgery data. Most current deepfake datasets predominantly offer binary labels, only a few datasets with localization annotations. However, they suffer from restricted forgery scenarios, limited diversity in deepfake types, and insufficient data scale, making them inadequate for complex real-world scenarios. To address this predicament, we construct a novel large-scale deepfake detection and localization ($\textbf{DDL}$) dataset containing over $\textbf{1.8M}$ forged samples and encompassing up to $\textbf{75}$ distinct deepfake methods. The DDL design incorporates four key innovations: (1) $\textbf{Diverse Forgery Scenarios}$, (2) $\textbf{Comprehensive Deepfake Methods}$, (3) $\textbf{Varied Manipulation Modes}$, and (4) $\textbf{Fine-grained Forgery Annotations}$. Through these improvements, our DDL not only provides a more challenging benchmark for complex real-world forgeries, but also offers crucial support for building next-generation deepfake detection, localization, and interpretability methods. The DDL dataset project page is on https://deepfake-workshop-ijcai2025.github.io/main/index.html.
• Abstract（参考訳）: 近年のAIGCの進歩は、悪意のあるディープフェイクコンテンツの誤用を悪化させ、信頼性の高いディープフェイク検出手法の開発がこの課題に対処する重要な手段となっている。 既存のディープフェイク検出モデルは検出基準において優れた性能を示すが、ほとんどの手法は単純なバイナリ分類結果のみを提供し、解釈性に欠ける。 法律などの重要な領域では、信頼性と決定の権威を高めるために解釈可能性が不可欠である。 近年の研究では、空間的な操作マスクや時間的フォージェリーセグメントを提供することにより、分類結果の解釈性の向上が試みられている。 しかし,これらの手法の実用的有効性は,偽データに制限があるため,相変わらず最適である。 現在のディープフェイクデータセットのほとんどはバイナリラベルを提供しており、ローカライゼーションアノテーションを持つデータセットはわずかである。 しかし、それらは制限された偽造シナリオ、ディープフェイク型の多様性の制限、データスケールの不足に悩まされており、複雑な現実世界のシナリオでは不十分である。 この問題を解決するために、$\textbf{1.8M}$forgedサンプルを含み、$\textbf{75}$の異なるディープフェイクメソッドを含む新しい大規模ディープフェイク検出およびローカライゼーション($\textbf{DDL}$)データセットを構築した。 1$\textbf{Diverse Forgery Scenarios}$, (2) $\textbf{Comprehensive Deepfake Methods}$, (3) $\textbf{Varied Manipulation Modes}$, (4) $\textbf{Fine-fine Forgery Annotations}$である。 これらの改善を通じて、私たちのDDLは、複雑な現実世界の偽造のより困難なベンチマークを提供するだけでなく、次世代のディープフェイク検出、ローカライゼーション、解釈可能性メソッドを構築するための重要なサポートも提供します。 DDLデータセットプロジェクトページはhttps://deepfake-workshop-ijcai2025.github.io/main/index.htmlにある。

関連論文リスト

• FakeFormer: Efficient Vulnerability-Driven Transformers for Generalisable Deepfake Detection [12.594436202557446]
  本稿では,視覚変換器(ViT)が顔面偽造検出に最適である理由について検討する。 本稿では, 微妙な不整合情報を抽出するためにViTを拡張したFakeFormerというディープフェイク検出フレームワークを提案する。 FF++、Celeb-DF、WildDeepfake、DFD、DFDCP、DFDCなど、さまざまな有名なデータセットで実験が行われている。
  論文  参考訳（メタデータ） (2024-10-29T11:36:49Z)
• DF40: Toward Next-Generation Deepfake Detection [62.073997142001424]
  既存の研究は、ある特定のデータセットで検出器をトレーニングし、他の一般的なディープフェイクデータセットでテストすることで、トップノーチ検出アルゴリズムとモデルを識別する。 しかし、これらの「勝者」は現実の世界に潜む無数の現実的で多様なディープフェイクに取り組むために真に応用できるのだろうか? 我々は,40の異なるディープフェイク技術からなるDF40という,高度に多様なディープフェイク検出データセットを構築した。
  論文  参考訳（メタデータ） (2024-06-19T12:35:02Z)
• 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)
• DFIL: Deepfake Incremental Learning by Exploiting Domain-invariant Forgery Clues [32.045504965382015]
  現在のディープフェイク検出モデルは、大規模なデータセットでトレーニングすることで、一般的に偽画像を認識することができる。 検出モデルの精度は、データ分布の違いにより、新しいディープフェイク法によって生成された画像に対して著しく低下する。 本稿では,ディープフェイク検出モデルの一般化を改善するための新たなインクリメンタルラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-18T07:02:26Z)
• Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
  ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。 既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。 本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-07-31T10:22:33Z)

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。