論文の概要: FakeParts: a New Family of AI-Generated DeepFakes
- arxiv url: http://arxiv.org/abs/2508.21052v1
- Date: Thu, 28 Aug 2025 17:55:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-29 18:12:02.550525
- Title: FakeParts: a New Family of AI-Generated DeepFakes
- Title（参考訳）: FakeParts:AI生成のDeepFakesの新しいファミリー
- Authors: Gaetan Brison, Soobash Daiboo, Samy Aimeur, Awais Hussain Sani, Xi Wang, Gianni Franchi, Vicky Kalogeiton,
- Abstract要約: FakePartsは、特定の空間領域や時間セグメントに微妙な局所的な操作を特徴とする新しいディープフェイクのクラスである。
FakePartsBenchは、部分的なディープフェイクの全スペクトルをキャプチャするために特別に設計された、最初の大規模ベンチマークデータセットである。
FakePartsは従来のディープフェイクと比較して、人間の検出精度を30%以上削減することを示した。
- 参考スコア（独自算出の注目度）: 20.563685866398384
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce FakeParts, a new class of deepfakes characterized by subtle, localized manipulations to specific spatial regions or temporal segments of otherwise authentic videos. Unlike fully synthetic content, these partial manipulations, ranging from altered facial expressions to object substitutions and background modifications, blend seamlessly with real elements, making them particularly deceptive and difficult to detect. To address the critical gap in detection capabilities, we present FakePartsBench, the first large-scale benchmark dataset specifically designed to capture the full spectrum of partial deepfakes. Comprising over 25K videos with pixel-level and frame-level manipulation annotations, our dataset enables comprehensive evaluation of detection methods. Our user studies demonstrate that FakeParts reduces human detection accuracy by over 30% compared to traditional deepfakes, with similar performance degradation observed in state-of-the-art detection models. This work identifies an urgent vulnerability in current deepfake detection approaches and provides the necessary resources to develop more robust methods for partial video manipulations.
- Abstract（参考訳）: FakePartsは、特定の空間領域や時間セグメントに微妙な局所的な操作を特徴とする新しいディープフェイクのクラスである。
完全に合成された内容とは異なり、これらの部分的な操作は、顔の表情の変化から、物体の置換や背景の修正まで、実際の要素とシームレスに融合する。
検出能力の致命的なギャップを解決するために、我々は、部分的なディープフェイクの全スペクトルを捉えるために特別に設計された、最初の大規模ベンチマークデータセットであるFakePartsBenchを紹介した。
画素レベルの操作アノテーションとフレームレベルの操作アノテーションを25K以上のビデオにコンパイルすることで,本データセットは検出方法の包括的な評価を可能にする。
FakePartsは従来のディープフェイクと比較して、人間の検出精度を30%以上削減することを示した。
この研究は、現在のディープフェイク検出アプローチにおける緊急脆弱性を特定し、部分的なビデオ操作のためのより堅牢な方法を開発するために必要なリソースを提供する。
関連論文リスト
- Detecting Localized Deepfake Manipulations Using Action Unit-Guided Video Representations [4.449835214520726]
ディープフェイク技術は、実際のビデオと合成ビデオのギャップを狭め、プライバシーとセキュリティの深刻な懸念を生じさせている。
この研究は、ディープフェイクビデオにおける局所的な編集を一般化するために明示的に設計された最初の検出手法を示す。
提案手法は,現在の最先端検出法よりも精度が20%向上する。
論文 参考訳（メタデータ） (2025-03-28T03:49:00Z) - 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) - 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) - SeeABLE: Soft Discrepancies and Bounded Contrastive Learning for
Exposing Deepfakes [7.553507857251396]
本研究では,検出問題を(一級)アウト・オブ・ディストリビューション検出タスクとして形式化する,SeeABLEと呼ばれる新しいディープフェイク検出器を提案する。
SeeABLEは、新しい回帰ベースの有界コントラスト損失を使用して、乱れた顔を事前定義されたプロトタイプにプッシュする。
我々のモデルは競合する最先端の検出器よりも高い性能を示しながら、高度に一般化能力を示す。
論文 参考訳（メタデータ） (2022-11-21T09:38:30Z) - Deep Convolutional Pooling Transformer for Deepfake Detection [54.10864860009834]
本研究では,局所的・グローバル的に決定的な画像特徴を取り入れた深部畳み込み変換器を提案する。
具体的には,抽出した特徴を充実させ,有効性を高めるために,畳み込みプーリングと再アテンションを適用した。
提案手法は、内部実験と相互データセット実験の両方において、最先端のベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2022-09-12T15:05:41Z) - VideoForensicsHQ: Detecting High-quality Manipulated Face Videos [77.60295082172098]
偽造検知器の性能は、人間の目で見られる人工物の存在にどのように依存するかを示す。
前例のない品質の顔ビデオ偽造検出のための新しいベンチマークデータセットを導入する。
論文 参考訳（メタデータ） (2020-05-20T21:17:43Z)
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。