論文の概要: Deepfakes: we need to re-think the concept of "real" images

• arxiv url: http://arxiv.org/abs/2509.21864v1
• Date: Fri, 26 Sep 2025 04:40:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.183607
• Title: Deepfakes: we need to re-think the concept of "real" images
• Title（参考訳）: Deepfakes: 私たちは「リアル」イメージの概念を再考する必要があります
• Authors: Janis Keuper, Margret Keuper,
• Abstract要約: 私たちは、現在の作業と以前の作業は、生成アルゴリズムと“フェイク”データサンプルに集中しすぎている、と論じています。 基本的に現在の「フェイク」検出手法の開発と評価は、非常に古い「リアル」画像の低解像度データセットに頼っている。 少なくとも、"本物の"イメージと新しいベンチマークデータセットの明確な技術的定義が必要です。
• 参考スコア（独自算出の注目度）: 36.20278135097872
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The wide availability and low usability barrier of modern image generation models has triggered the reasonable fear of criminal misconduct and negative social implications. The machine learning community has been engaging this problem with an extensive series of publications proposing algorithmic solutions for the detection of "fake", e.g. entirely generated or partially manipulated images. While there is undoubtedly some progress towards technical solutions of the problem, we argue that current and prior work is focusing too much on generative algorithms and "fake" data-samples, neglecting a clear definition and data collection of "real" images. The fundamental question "what is a real image?" might appear to be quite philosophical, but our analysis shows that the development and evaluation of basically all current "fake"-detection methods is relying on only a few, quite old low-resolution datasets of "real" images like ImageNet. However, the technology for the acquisition of "real" images, aka taking photos, has drastically evolved over the last decade: Today, over 90% of all photographs are produced by smartphones which typically use algorithms to compute an image from multiple inputs (over time) from multiple sensors. Based on the fact that these image formation algorithms are typically neural network architectures which are closely related to "fake"-image generators, we state the position that today, we need to re-think the concept of "real" images. The purpose of this position paper is to raise the awareness of the current shortcomings in this active field of research and to trigger an open discussion whether the detection of "fake" images is a sound objective at all. At the very least, we need a clear technical definition of "real" images and new benchmark datasets.
• Abstract（参考訳）: 現代の画像生成モデルの幅広い可用性と低ユーザビリティの障壁は、犯罪行為や否定的な社会的影響に対する合理的な恐れを引き起こしている。 機械学習コミュニティは、この問題を「フェイク」の検出のためのアルゴリズム的解決策を提案している広範囲な出版物、例えば、完全に生成されたか部分的に操作された画像に対して、この問題に取り組んできた。 この問題の技術的な解決に向けた進歩は疑いようもなくあるが、我々は現在の研究は生成アルゴリズムと「フェイク」データサンプルに重きを置いており、明確な定義と「リアル」画像のデータ収集を無視していると論じている。 実際のイメージとは何か?という根本的な疑問はかなり哲学的なものに思えるかもしれないが、我々の分析は、基本的に現在の「フェイク」検出手法の開発と評価は、ImageNetのような非常に古い「リアル」画像の低解像度データセットにのみ依存していることを示している。 画像の90%以上は、アルゴリズムを使って複数のセンサーからの複数の入力(時間の経過とともに)から画像を計算するスマートフォンで作られています。 これらの画像形成アルゴリズムは、典型的には「フェイク」イメージジェネレータと密接に関連しているニューラルネットワークアーキテクチャであるという事実に基づいて、今日、我々は「リアル」イメージの概念を再考する必要があることを述べています。 本研究の目的は,本研究の活発な分野における現状の問題点に対する認識を高め,フェイク画像の検出が健全な目的であるかどうかをオープンな議論を誘発することである。 少なくとも、"本物の"イメージと新しいベンチマークデータセットの明確な技術的定義が必要です。

関連論文リスト

• Deepfake Detection of Face Images based on a Convolutional Neural Network [0.0]
  フェイクニュース、特にディープフェイク(非リアルな画像やビデオコンテンツ)は、ここ数年で深刻な話題になっている。 我々は、人間の肖像画を映し出した、このような生成および偽画像を検出するために、畳み込みニューラルネットワークに基づくモデルを構築したい。
  論文  参考訳（メタデータ） (2025-03-14T13:33:22Z)
• Aligned Datasets Improve Detection of Latent Diffusion-Generated Images [28.68129042301801]
  優れた検出器は、セマンティックコンテンツ、解像度、ファイルフォーマットなどの画像特性を無視しながら、生成モデル指紋に焦点を当てるべきである。 この研究では、これらのアルゴリズムの選択に加えて、堅牢な検出器をトレーニングするためには、リアル/フェイク画像の整列したデータセットも必要である、と論じる。 そこで本研究では, LDMの家族に対して, LDMのオートエンコーダを用いて実画像の再構成を行う手法を提案する。
  論文  参考訳（メタデータ） (2024-10-15T17:58:07Z)
• Zero-Shot Detection of AI-Generated Images [54.01282123570917]
  AI生成画像を検出するゼロショットエントロピー検出器(ZED)を提案する。 機械によるテキスト検出の最近の研究に触発された私たちのアイデアは、分析対象の画像が実際の画像のモデルと比較してどれだけ驚くかを測定することである。 ZEDは精度の点でSoTAよりも平均3%以上改善されている。
  論文  参考訳（メタデータ） (2024-09-24T08:46:13Z)
• Solutions to Deepfakes: Can Camera Hardware, Cryptography, and Deep Learning Verify Real Images? [51.3344199560726]
  信頼性の高い合成データから実際のデータを分離する手法を確立することが不可欠である。 この文書は、どの画像が本物かを検証するために使用できる検出と暗号に関する既知の戦略を提示することを目的としている。
  論文  参考訳（メタデータ） (2024-07-04T22:01:21Z)
• Detecting Generated Images by Real Images Only [64.12501227493765]
  既存の画像検出手法は、生成画像中の視覚的アーティファクトを検出したり、大規模なトレーニングによって、実画像と生成画像の両方から識別的特徴を学習する。 本稿では,新たな視点から生成した画像検出問題にアプローチする。 実画像の共通性を見つけ、特徴空間内の密接な部分空間にマッピングすることで、生成した画像は生成モデルに関係なくサブ空間の外側に投影される。
  論文  参考訳（メタデータ） (2023-11-02T03:09:37Z)
• Perspective Flow Aggregation for Data-Limited 6D Object Pose Estimation [121.02948087956955]
  宇宙や水中の深層などのいくつかのアプリケーションでは、実際の画像を取得することは、注釈のないものであっても、事実上不可能である。 本稿では,合成画像のみに限定してトレーニングできる手法を提案する。 これは、アノテートされた実画像を必要としない場合、トレーニングのためにアノテートされた実画像を必要とするメソッドと同等に動作し、20個の実画像を使用する場合、かなりパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2022-03-18T10:20:21Z)
• What makes fake images detectable? Understanding properties that generalize [55.4211069143719]
  深層ネットワークは、博士画像の微妙なアーティファクトを拾い上げることができる。 我々は、偽画像のどの特性が検出可能かを理解することを模索する。 検出可能な特性を誇張する手法を示す。
  論文  参考訳（メタデータ） (2020-08-24T17:50:28Z)
• FDFtNet: Facing Off Fake Images using Fake Detection Fine-tuning Network [19.246576904646172]
  本稿では,FaketNetと呼ばれる,軽量な微調整ニューラルネットワークアーキテクチャを提案する。 提案手法は,偽画像の検出を効果的に行うための微調整のために,数枚の画像のみを用いて,人気のある事前学習モデルを再利用することを目的としている。 我々の tNet は GANs ベースのデータセットから生成された偽画像の総合的精度 9029% を達成する。
  論文  参考訳（メタデータ） (2020-01-05T16:04:17Z)

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。