論文の概要: Revisiting Simple Baselines for In-The-Wild Deepfake Detection

• arxiv url: http://arxiv.org/abs/2509.04150v1
• Date: Thu, 04 Sep 2025 12:23:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-05 20:21:10.154396
• Title: Revisiting Simple Baselines for In-The-Wild Deepfake Detection
• Title（参考訳）: In-The-Wild Deepfake 検出のためのシンプルなベースラインの再検討
• Authors: Orlando Castaneda, Kevin So-Tang, Kshitij Gurung,
• Abstract要約: 私たちは最近リリースされた"in-the-wild"ベンチマークであるDeepfake-Eval-2024に注力しています。 3つの微調整されたオープンソースモデルは61%から69%の精度を達成し、82%の精度で主要な商用ディープフェイク検出器よりも大幅に遅れている。 我々の研究は、これらのベースラインのアプローチの1つを再検討し、標準的な事前訓練された視覚バックボーンを適用して、一般化可能なディープフェイク検出器を生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The widespread adoption of synthetic media demands accessible deepfake detectors and realistic benchmarks. While most existing research evaluates deepfake detectors on highly controlled datasets, we focus on the recently released "in-the-wild" benchmark, Deepfake-Eval-2024. Initial reporting on Deepfake-Eval-2024 showed that three finetuned open-source models achieve accuracies between 61% and 69%, significantly lagging behind the leading commercial deepfake detector with 82% accuracy. Our work revisits one of these baseline approaches, originally introduced by Ojha et al., which adapts standard pretrained vision backbones to produce generalizable deepfake detectors. We demonstrate that with better-tuned hyperparameters, this simple approach actually yields much higher performance -- 81% accuracy on Deepfake-Eval-2024 -- surpassing the previously reported accuracy of this baseline approach by 18% and competing with commercial deepfake detectors. We discuss tradeoffs in accuracy, computational costs, and interpretability, focusing on how practical these deepfake detectors might be when deployed in real-world settings. Our code can be found at https://github.com/Deepfake-Detection-KKO/deepfake-detection.
• Abstract（参考訳）: 合成メディアの普及により、アクセス可能なディープフェイク検出器とリアルなベンチマークが要求される。 既存のほとんどの研究は、高度に制御されたデータセット上でディープフェイク検出器を評価しているが、最近リリースされた"イン・ザ・ワイルド"ベンチマークであるDeepfake-Eval-2024に焦点を当てている。 Deepfake-Eval-2024の最初の報告では、3つの微調整されたオープンソースモデルが61%から69%の精度を達成し、82%の精度で主要な商用ディープフェイク検出器よりも大幅に遅れた。 我々の研究は、Ojhaらによって最初に導入されたこれらのベースラインアプローチの1つを再考し、標準的な事前訓練された視覚バックボーンを適用して、一般化可能なディープフェイク検出器を生成する。 我々は、改良されたハイパーパラメーターにより、この単純なアプローチが実際に非常に高いパフォーマンス(Deepfake-Eval-2024の81%の精度)をもたらすことを実証した。 我々は、現実世界の環境に配備されたディープフェイク検出器がいかに実用的であるかに焦点を当て、精度、計算コスト、解釈可能性のトレードオフについて論じる。 私たちのコードはhttps://github.com/Deepfake-detection-KKO/deepfake-detectionで確認できます。

関連論文リスト

• Evaluating Deepfake Detectors in the Wild [0.0]
  本研究では,最新のディープフェイク検知装置の評価を行い,実世界のシナリオを模倣してディープフェイク検出を行う新しいテスト手法を提案する。 我々の分析によると、ディープフェイクの検出は依然として難しい課題である。 JPEG圧縮や画像強調などの基本的な画像操作は、モデルの性能を著しく低下させる。
  論文  参考訳（メタデータ） (2025-07-29T15:17:00Z)
• Deepfake Media Generation and Detection in the Generative AI Era: A Survey and Outlook [101.30779332427217]
  本研究は,近年の現場開発を含むディープフェイク発生・検出技術について調査する。 偽コンテンツの変更や生成に使用する手順に従って,様々な種類のディープフェイクを識別する。 我々は,分布外コンテンツに基づくディープフェイク検出のための新しいマルチモーダル・ベンチマークを開発した。
  論文  参考訳（メタデータ） (2024-11-29T08:29:25Z)
• 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)
• DeepfakeBench: A Comprehensive Benchmark of Deepfake Detection [55.70982767084996]
  ディープフェイク検出の分野で見落とされがちな課題は、標準化され、統一され、包括的なベンチマークがないことである。 DeepfakeBenchと呼ばれる,3つの重要なコントリビューションを提供するディープフェイク検出のための,最初の包括的なベンチマークを提示する。 DeepfakeBenchには15の最先端検出方法、9CLデータセット、一連のDeepfake検出評価プロトコルと分析ツール、包括的な評価ツールが含まれている。
  論文  参考訳（メタデータ） (2023-07-04T01:34:41Z)
• Improving Fairness in Deepfake Detection [38.999205139257164]
  ディープフェイク検出器の訓練に使用されるデータのバイアスは、異なる人種や性別で検出精度が異なることにつながる。 本稿では、人口統計情報の入手可能な設定と、この情報が欠落している場合の両方を扱う新しい損失関数を提案する。
  論文  参考訳（メタデータ） (2023-06-29T02:19:49Z)
• Fooling State-of-the-Art Deepfake Detection with High-Quality Deepfakes [2.0883760606514934]
  我々は、複数の研究データセットで証明されたディープフェイク検出器が、よく作られた偽物と現実世界のシナリオで未だに苦戦していることを示す。 我々は,90個の高品質のディープフェイクを生成するために,高度な顔ブレンディング技術とともに,顔交換のための新しいオートエンコーダを提案する。
  論文  参考訳（メタデータ） (2023-05-09T09:08:49Z)
• WildDeepfake: A Challenging Real-World Dataset for Deepfake Detection [82.42495493102805]
  我々は,インターネットから完全に収集された707のディープフェイクビデオから抽出された7,314の顔シーケンスからなる新しいデータセットWildDeepfakeを紹介した。 既存のWildDeepfakeデータセットと我々のWildDeepfakeデータセットのベースライン検出ネットワークを体系的に評価し、WildDeepfakeが実際により困難なデータセットであることを示す。
  論文  参考訳（メタデータ） (2021-01-05T11:10:32Z)

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。