論文の概要: FreqDebias: Towards Generalizable Deepfake Detection via Consistency-Driven Frequency Debiasing

• arxiv url: http://arxiv.org/abs/2509.22412v1
• Date: Fri, 26 Sep 2025 14:37:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.508133
• Title: FreqDebias: Towards Generalizable Deepfake Detection via Consistency-Driven Frequency Debiasing
• Title（参考訳）: FreqDebias: Consistency-Driven Frequency Debiasingによる一般化可能なディープフェイク検出を目指して
• Authors: Hossein Kashiani, Niloufar Alipour Talemi, Fatemeh Afghah,
• Abstract要約: ディープフェイク検出器は、限られたトレーニングデータから得られたバイアスにより、しばしば新しい偽造タイプに一般化するのに苦労する。 本稿では,周波数領域における新しいタイプのモデルバイアスを同定する。 本稿では2つの相補的戦略を通じてスペクトルバイアスを緩和する周波数脱バイアスフレームワークであるFreqDebiasを提案する。
• 参考スコア（独自算出の注目度）: 10.293023172874213
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deepfake detectors often struggle to generalize to novel forgery types due to biases learned from limited training data. In this paper, we identify a new type of model bias in the frequency domain, termed spectral bias, where detectors overly rely on specific frequency bands, restricting their ability to generalize across unseen forgeries. To address this, we propose FreqDebias, a frequency debiasing framework that mitigates spectral bias through two complementary strategies. First, we introduce a novel Forgery Mixup (Fo-Mixup) augmentation, which dynamically diversifies frequency characteristics of training samples. Second, we incorporate a dual consistency regularization (CR), which enforces both local consistency using class activation maps (CAMs) and global consistency through a von Mises-Fisher (vMF) distribution on a hyperspherical embedding space. This dual CR mitigates over-reliance on certain frequency components by promoting consistent representation learning under both local and global supervision. Extensive experiments show that FreqDebias significantly enhances cross-domain generalization and outperforms state-of-the-art methods in both cross-domain and in-domain settings.
• Abstract（参考訳）: ディープフェイク検出器は、限られたトレーニングデータから得られたバイアスにより、しばしば新しい偽造タイプに一般化するのに苦労する。 本稿では,周波数領域における新しいタイプのモデルバイアス,すなわちスペクトルバイアスを同定する。 これを解決するためにFreqDebiasを提案する。FreqDebiasは2つの相補的戦略によってスペクトルバイアスを緩和する周波数脱バイアスフレームワークである。 まず、トレーニングサンプルの周波数特性を動的に多様化するフォージェリー・ミックスアップ(Fo-Mixup)拡張について紹介する。 次に、クラスアクティベーションマップ(CAM)を用いた局所的一貫性と、超球面埋め込み空間上のvon Mises-Fisher(vMF)分布による大域的一貫性の両方を強制する二重整合正規化(CR)を導入する。 この二重CRは、局所的および大域的な監督の下で一貫した表現学習を促進することにより、特定の周波数成分に対する過度な信頼を緩和する。 大規模な実験により、FreqDebiasはクロスドメインの一般化を著しく向上させ、クロスドメインとインドメインの両方で最先端の手法を上回ります。

関連論文リスト

• Generalizable Multispectral Land Cover Classification via Frequency-Aware Mixture of Low-Rank Token Experts [22.75047167955269]
  マルチスペクトル土地被覆分類(MLCC)の新しいアプローチであるLand-MoEを紹介する。 Land-MoEは、低ランクトークンエキスパート(MoLTE)と周波数認識フィルタ(FAF)の2つの重要なモジュールから構成される。
  論文  参考訳（メタデータ） (2025-05-20T08:52:28Z)
• FAD: Frequency Adaptation and Diversion for Cross-domain Few-shot Learning [35.40065954148091]
  ドメイン間数ショット学習では、大きな分散シフトの下で限定ラベル付きサンプルからモデルを一般化する必要がある。 本稿では、スペクトル成分を明示的にモデル化・変調する周波数対応フレームワークである周波数適応・変換(FAD)を紹介する。 FADは、目に見えないドメインと見えないドメインの両方において、最先端のメソッドを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-05-13T08:48:06Z)
• Tuning Frequency Bias of State Space Models [48.60241978021799]
  状態空間モデル(SSM)は、線形時間不変(LTI)システムを利用して、長距離依存のシーケンスを学習する。 その結果,SSMは低周波成分を高周波成分よりも効果的に捕捉する傾向を示した。
  論文  参考訳（メタデータ） (2024-10-02T21:04:22Z)
• GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
  拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。 世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。 本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T17:27:23Z)
• Frequency-Aware Deepfake Detection: Improving Generalizability through Frequency Space Learning [81.98675881423131]
  この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。 既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。 本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-03-12T01:28:00Z)
• Adaptive Frequency Learning in Two-branch Face Forgery Detection [66.91715092251258]
  本稿では、AFDと呼ばれる2分岐検出フレームワークにおいて、周波数情報を適応的に学習する手法を提案する。 我々は、固定周波数変換からネットワークを解放し、データおよびタスク依存の変換層でより良いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-03-27T14:25:52Z)
• Deep Frequency Filtering for Domain Generalization [55.66498461438285]
  Deep Neural Networks(DNN)は、学習プロセスにおいて、いくつかの周波数成分を優先する。 本稿では、ドメイン一般化可能な特徴を学習するためのDeep Frequency Filtering (DFF)を提案する。 提案したDFFをベースラインに適用すると,ドメインの一般化タスクにおける最先端の手法よりも優れることを示す。
  論文  参考訳（メタデータ） (2022-03-23T05:19:06Z)
• Robust Learning with Frequency Domain Regularization [1.370633147306388]
  モデルのフィルタの周波数スペクトルを制約し,新しい正規化手法を提案する。 本研究では,(1)対向的摂動を抑えること,(2)異なるアーキテクチャにおける一般化のギャップを小さくすること,(3)微調整を伴わない伝達学習シナリオにおける一般化能力を向上させることによる正規化の有効性を実証する。
  論文  参考訳（メタデータ） (2020-07-07T07:29:20Z)

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。