論文の概要: When Deepfakes Look Real: Detecting AI-Generated Faces with Unlabeled Data due to Annotation Challenges
- arxiv url: http://arxiv.org/abs/2508.09022v1
- Date: Tue, 12 Aug 2025 15:37:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-13 21:07:34.483999
- Title: When Deepfakes Look Real: Detecting AI-Generated Faces with Unlabeled Data due to Annotation Challenges
- Title（参考訳）: ディープフェイクが本物に見える:AI生成した顔に注釈の課題が原因でラベルのないデータを見つける
- Authors: Zhiqiang Yang, Renshuai Tao, Xiaolong Zheng, Guodong Yang, Chunjie Zhang,
- Abstract要約: AIが生成するコンテンツがますます現実的になるにつれて、テキスタイルのアノテータでさえ、ディープフェイクと本物のイメージの区別に苦慮している。
オンラインソーシャルネットワークの大規模未ラベルデータを効果的に活用できるアプローチへの需要が高まっている。
本稿では,DPGNet (Dual-Path Guidance Network) を導入し,(1) 異なる世代モデルからの顔間の領域ギャップを埋めること,(2) ラベルのない画像サンプルを活用すること,の2つの課題に対処する。
- 参考スコア（独自算出の注目度）: 16.185033263537317
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing deepfake detection methods heavily depend on labeled training data. However, as AI-generated content becomes increasingly realistic, even \textbf{human annotators struggle to distinguish} between deepfakes and authentic images. This makes the labeling process both time-consuming and less reliable. Specifically, there is a growing demand for approaches that can effectively utilize large-scale unlabeled data from online social networks. Unlike typical unsupervised learning tasks, where categories are distinct, AI-generated faces closely mimic real image distributions and share strong similarities, causing performance drop in conventional strategies. In this paper, we introduce the Dual-Path Guidance Network (DPGNet), to tackle two key challenges: (1) bridging the domain gap between faces from different generation models, and (2) utilizing unlabeled image samples. The method features two core modules: text-guided cross-domain alignment, which uses learnable prompts to unify visual and textual embeddings into a domain-invariant feature space, and curriculum-driven pseudo label generation, which dynamically exploit more informative unlabeled samples. To prevent catastrophic forgetting, we also facilitate bridging between domains via cross-domain knowledge distillation. Extensive experiments on \textbf{11 popular datasets}, show that DPGNet outperforms SoTA approaches by \textbf{6.3\%}, highlighting its effectiveness in leveraging unlabeled data to address the annotation challenges posed by the increasing realism of deepfakes.
- Abstract（参考訳）: 既存のディープフェイク検出方法はラベル付きトレーニングデータに大きく依存する。
しかし、AI生成コンテンツがますます現実的になるにつれて、‘textbf{ human annotators’でさえ、ディープフェイクと認証画像の区別に苦慮している。
これにより、ラベル付けプロセスは時間がかかり、信頼性が低下します。
具体的には、オンラインソーシャルネットワークから大規模にラベル付けされていないデータを効果的に活用できるアプローチへの需要が高まっている。
カテゴリーが異なる一般的な教師なし学習タスクとは異なり、AI生成された顔は実際のイメージ分布を忠実に模倣し、強い類似性を共有し、従来の戦略のパフォーマンス低下を引き起こす。
本稿では,DPGNet (Dual-Path Guidance Network) を導入し,(1) 異なる世代モデルからの顔間の領域ギャップを埋めること,(2) ラベルのない画像サンプルを活用すること,の2つの課題に対処する。
テキスト誘導型クロスドメインアライメントは、学習可能なプロンプトを使用して、ドメイン不変の機能空間に視覚的およびテキスト的埋め込みを統合するもので、カリキュラム駆動の擬似ラベル生成は、より情報のない未ラベルのサンプルを動的に活用する。
破滅的な忘れ物を防止するため,クロスドメイン知識蒸留によるドメイン間のブリッジングを容易にする。
DPGNet は \textbf{6.3\%} による SoTA アプローチよりも優れており、ディープフェイクのリアリズムの増大によって引き起こされる注釈問題に対処するためにラベルのないデータを活用することの有効性を強調している。
関連論文リスト
- SiamSeg: Self-Training with Contrastive Learning for Unsupervised Domain Adaptation Semantic Segmentation in Remote Sensing [13.549403813487022]
教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベル付けされたソースドメインデータを活用しながら、ラベル付けされていないターゲットドメインデータからモデルを学習することを可能にする。
対照的な学習を UDA に統合し,対象領域における意味情報を捕捉するモデルの能力を高めることを提案する。
我々の手法であるSimSegは既存の手法より優れ、最先端の結果が得られます。
論文 参考訳（メタデータ） (2024-10-17T11:59:39Z) - 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) - Dual-level Interaction for Domain Adaptive Semantic Segmentation [0.0]
セマンティックセグメンテーションにおけるドメイン適応(DIDA)のための二重レベル相互作用を提案する。
具体的には、同じピクセルの異なる拡張ビューが類似したクラス予測を持つように推奨する。
我々の手法は、特に混乱した長い尾のクラスにおいて、最先端の技術よりも顕著に優れている。
論文 参考訳（メタデータ） (2023-07-16T07:51:18Z) - Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。
本稿では,新たな敵情報ネットワーク(AIN)を提案する。
論文 参考訳（メタデータ） (2023-05-23T02:14:11Z) - Feature Representation Learning for Unsupervised Cross-domain Image
Retrieval [73.3152060987961]
現在の教師付きクロスドメイン画像検索法は優れた性能が得られる。
データ収集とラベリングのコストは、実際のアプリケーションにおける実践的なデプロイにおいて、難易度の高い障壁を課します。
本稿では,クラス意味認識機能抽出を支援するために,クラスタ単位のコントラスト学習機構を提案する。
論文 参考訳（メタデータ） (2022-07-20T07:52:14Z) - Unsupervised Domain Adaptive Salient Object Detection Through
Uncertainty-Aware Pseudo-Label Learning [104.00026716576546]
そこで本研究では,手動のアノテーションを使わずに,自然に高いピクセルラベル品質を有する合成・クリーンなラベルから,サリエンスを学習することを提案する。
提案手法は,複数のベンチマークデータセット上で,既存の最先端の深層教師なしSOD法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-02-26T16:03:55Z) - Semantic Segmentation with Generative Models: Semi-Supervised Learning
and Strong Out-of-Domain Generalization [112.68171734288237]
本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。
我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。
ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
論文 参考訳（メタデータ） (2021-04-12T21:41:25Z) - SSKD: Self-Supervised Knowledge Distillation for Cross Domain Adaptive
Person Re-Identification [25.96221714337815]
ドメイン適応型人物再識別(re-ID)は、ソースドメインとターゲットドメインの間に大きな違いがあるため、難しい課題である。
既存の手法は主にクラスタリングアルゴリズムによって未ラベルのターゲット画像の擬似ラベルを生成する。
本稿では,識別学習とソフトラベル学習の2つのモジュールを含む自己監督的知識蒸留(SSKD)手法を提案する。
論文 参考訳（メタデータ） (2020-09-13T10:12:02Z) - Text Recognition in Real Scenarios with a Few Labeled Samples [55.07859517380136]
Scene Text Recognition (STR) はコンピュータビジョン分野におけるホットな研究テーマである。
本稿では,数ショットの逆数列領域適応 (FASDA) を用いて構築シーケンスを適応する手法を提案する。
我々のアプローチは、ソースドメインとターゲットドメインの間の文字レベルの混乱を最大化することができる。
論文 参考訳（メタデータ） (2020-06-22T13:03:01Z) - Person Re-identification: Implicitly Defining the Receptive Fields of
Deep Learning Classification Frameworks [5.123298347655088]
本稿では,ネットワークの受容領域の推論を暗黙的に駆動する手法について述べる。
セグメンテーションモジュールを使用して、各学習インスタンスの前景(重要)/バックグラウンド(無関係)を区別します。
この戦略は典型的にネットワークを早期収束と適切な解へと駆り立て、アイデンティティと記述は相関しない。
論文 参考訳（メタデータ） (2020-01-30T11:45:44Z)
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。