論文の概要: Is It Certainly a Deepfake? Reliability Analysis in Detection & Generation Ecosystem

• arxiv url: http://arxiv.org/abs/2509.17550v1
• Date: Mon, 22 Sep 2025 09:09:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.315207
• Title: Is It Certainly a Deepfake? Reliability Analysis in Detection & Generation Ecosystem
• Title（参考訳）: ディープフェイクか? 検出・発生生態系の信頼性分析
• Authors: Neslihan Kose, Anthony Rhodes, Umur Aybars Ciftci, Ilke Demir,
• Abstract要約: ディープフェイク検出器の包括的不確実性解析を行った。 生成アーティファクトが予測信頼性に与える影響について検討する。 我々の観測に基づいて、不確実性多様体は、深い震源検出のために不確実性を利用するのに十分な一貫性のある情報を保持する。
• 参考スコア（独自算出の注目度）: 3.997629738288533
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As generative models are advancing in quality and quantity for creating synthetic content, deepfakes begin to cause online mistrust. Deepfake detectors are proposed to counter this effect, however, misuse of detectors claiming fake content as real or vice versa further fuels this misinformation problem. We present the first comprehensive uncertainty analysis of deepfake detectors, systematically investigating how generative artifacts influence prediction confidence. As reflected in detectors' responses, deepfake generators also contribute to this uncertainty as their generative residues vary, so we cross the uncertainty analysis of deepfake detectors and generators. Based on our observations, the uncertainty manifold holds enough consistent information to leverage uncertainty for deepfake source detection. Our approach leverages Bayesian Neural Networks and Monte Carlo dropout to quantify both aleatoric and epistemic uncertainties across diverse detector architectures. We evaluate uncertainty on two datasets with nine generators, with four blind and two biological detectors, compare different uncertainty methods, explore region- and pixel-based uncertainty, and conduct ablation studies. We conduct and analyze binary real/fake, multi-class real/fake, source detection, and leave-one-out experiments between the generator/detector combinations to share their generalization capability, model calibration, uncertainty, and robustness against adversarial attacks. We further introduce uncertainty maps that localize prediction confidence at the pixel level, revealing distinct patterns correlated with generator-specific artifacts. Our analysis provides critical insights for deploying reliable deepfake detection systems and establishes uncertainty quantification as a fundamental requirement for trustworthy synthetic media detection.
• Abstract（参考訳）: 生成モデルは、合成コンテンツを作成するための品質と量に進歩しているため、ディープフェイクはオンライン上の不信を引き起こし始めます。 しかし、この効果に対抗するためにディープフェイク検出器が提案されているが、偽の内容を本物か、あるいはその逆かと主張する検出器の誤用は、この誤報問題をさらに助長する。 本研究では, 深度検出装置の総合的不確実性解析を行い, 生成物が予測信頼性に与える影響を系統的に検討した。 検出器の応答に反映されるように、ディープフェイクジェネレータは、生成残基が異なるため、この不確実性にも寄与するので、ディープフェイク検出器とジェネレータの不確実性解析を横断する。 我々の観測に基づいて、不確実性多様体は、深い震源検出のために不確実性を利用するのに十分な一貫性のある情報を保持する。 提案手法はベイズニューラルネットワークとモンテカルロのドロップアウトを利用して,多種多様な検出器アーキテクチャの網羅的およびてんかん的不確かさを定量化する。 我々は,9つの発生器を持つ2つのデータセットにおける不確実性を評価するとともに,異なる不確実性法を比較し,領域と画素に基づく不確実性を探究し,アブレーション研究を行った。 我々は,ジェネレータ/検出器の組み合わせによる2値実/フェイク,複数クラス実/フェイク,ソース検出,アウトアウト実験を行い,その一般化能力,モデル校正,不確実性,敵攻撃に対する堅牢性等について分析する。 さらに,画素レベルでの予測信頼度をローカライズする不確実性マップを導入し,ジェネレータ固有のアーティファクトと相関するパターンを明らかにした。 本分析は,信頼性の高いディープフェイク検出システムをデプロイするための重要な知見を提供し,信頼性の高い合成メディア検出の基本的な要件として不確実性定量化を確立する。

関連論文リスト

• Reliable Smoke Detection via Optical Flow-Guided Feature Fusion and Transformer-Based Uncertainty Modeling [6.270500509647152]
  スモークプラムは、照明の変動、流れのキネマティクス、環境騒音に影響される複雑なダイナミクスを示す。 単眼画像から抽出した煙の特徴表現を統合することで,情報融合フレームワークを提案する。 2相不確かさを意識したWindows Transformerを提案する。
  論文  参考訳（メタデータ） (2025-08-20T10:28:53Z)
• Deep Learning Models for Robust Facial Liveness Detection [56.08694048252482]
  本研究では,現代のアンチスプーフィング手法の欠陥に対処する新しい深層学習モデルを用いて,ロバストな解を提案する。 テクスチャ解析と実際の人間の特性に関連する反射特性を革新的に統合することにより、我々のモデルは、顕著な精度でレプリカと真の存在を区別する。
  論文  参考訳（メタデータ） (2025-08-12T17:19:20Z)
• Unmasking Synthetic Realities in Generative AI: A Comprehensive Review of Adversarially Robust Deepfake Detection Systems [4.359154048799454]
  ディープフェイク拡散合成メディアは、デジタルセキュリティ、誤情報緩和、アイデンティティ保護に挑戦する。 本研究の体系的レビューでは, 再現性のある実装の透明性と検証を重視した, 最先端のディープフェイク検出手法の評価を行う。 1) 統計的異常や階層的特徴抽出を利用した完全合成メディアの検出,(2) 視覚的アーティファクトや時間的不整合といったマルチモーダルな手がかりを用いた実コンテンツ中の操作された領域の局在化。
  論文  参考訳（メタデータ） (2025-07-24T22:05:52Z)
• Rethinking Individual Fairness in Deepfake Detection [7.926090411049054]
  生成可能なAIモデルは、合成メディアのリアリズムを大幅に改善してきたが、洗練されたDeepFakeによるその誤用は重大なリスクをもたらしている。 近年のディープフェイク検出の進歩にもかかわらず、フェアネスは未解決のままであり、ディープフェイクマーカーは特定の集団に対するバイアスを活用できる。 本稿では,個別の公正性と一般化を高めるため,既存のディープフェイク検出器に組み込むことができる最初の一般化可能なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-18T19:04:47Z)
• Probabilistic Modeling of Disparity Uncertainty for Robust and Efficient Stereo Matching [61.73532883992135]
  本稿では,新しい不確実性を考慮したステレオマッチングフレームワークを提案する。 我々はベイズリスクを不確実性の測定として採用し、データを別々に見積もり、不確実性をモデル化する。
  論文  参考訳（メタデータ） (2024-12-24T23:28:20Z)
• Spatial-Frequency Discriminability for Revealing Adversarial Perturbations [53.279716307171604]
  敵の摂動に対するディープニューラルネットワークの脆弱性は、コンピュータビジョンコミュニティで広く認識されている。 現在のアルゴリズムは、通常、自然および敵対的なデータの識別的分解を通じて、敵のパターンを検出する。 空間周波数Krawtchouk分解に基づく識別検出器を提案する。
  論文  参考訳（メタデータ） (2023-05-18T10:18:59Z)
• Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
  不確実性推定は統計的に正確な予測を提供する効果的なツールである。 本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
  論文  参考訳（メタデータ） (2023-02-12T14:30:03Z)
• A Review of Uncertainty Calibration in Pretrained Object Detectors [5.440028715314566]
  多クラス設定における事前訓練対象検出アーキテクチャの不確実性校正特性について検討する。 公平でバイアスのない,繰り返し可能な評価を実現するためのフレームワークを提案する。 検出器のキャリブレーションが低い理由について、新しい知見を提供する。
  論文  参考訳（メタデータ） (2022-10-06T14:06:36Z)
• Gradient-Based Quantification of Epistemic Uncertainty for Deep Object Detectors [8.029049649310213]
  本稿では,新しい勾配に基づく不確実性指標を導入し,異なる物体検出アーキテクチャについて検討する。 実験では、真の肯定的/偽の正の判別と、結合上の交叉の予測において顕著な改善が示された。 また,モンテカルロのドロップアウト不確実性指標に対する改善や,さまざまな不確実性指標のソースを集約することで,さらなる大幅な向上が期待できる。
  論文  参考訳（メタデータ） (2021-07-09T16:04:11Z)
• No Need to Know Physics: Resilience of Process-based Model-free Anomaly Detection for Industrial Control Systems [95.54151664013011]
  本稿では,システムの物理的特性に反する逆スプーフ信号を生成するための新しい枠組みを提案する。 トップセキュリティカンファレンスで公表された4つの異常検知器を分析した。
  論文  参考訳（メタデータ） (2020-12-07T11:02:44Z)

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。