論文の概要: DeiTFake: Deepfake Detection Model using DeiT Multi-Stage Training

• arxiv url: http://arxiv.org/abs/2511.12048v1
• Date: Sat, 15 Nov 2025 05:55:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.533393
• Title: DeiTFake: Deepfake Detection Model using DeiT Multi-Stage Training
• Title（参考訳）: DeiTFake:DeiTマルチステージトレーニングを用いたディープフェイク検出モデル
• Authors: Saksham Kumar, Ashish Singh, Srinivasarao Thota, Sunil Kumar Singh, Chandan Kumar,
• Abstract要約: ディープフェイクはデジタルメディアの完全性にとって大きな脅威だ。 DeiTをベースとしたトランスフォーマーと,拡張複雑性を増大させる新しい2段階のプログレッシブトレーニング戦略を提案する。 DeiTFakeはステージ1以降の98.71%、ステージ2以降のAUROCでは99.22%の精度で、最新のOpenForensicsベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 6.713394152210775
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Deepfakes are major threats to the integrity of digital media. We propose DeiTFake, a DeiT-based transformer and a novel two-stage progressive training strategy with increasing augmentation complexity. The approach applies an initial transfer-learning phase with standard augmentations followed by a fine-tuning phase using advanced affine and deepfake-specific augmentations. DeiT's knowledge distillation model captures subtle manipulation artifacts, increasing robustness of the detection model. Trained on the OpenForensics dataset (190,335 images), DeiTFake achieves 98.71\% accuracy after stage one and 99.22\% accuracy with an AUROC of 0.9997, after stage two, outperforming the latest OpenForensics baselines. We analyze augmentation impact and training schedules, and provide practical benchmarks for facial deepfake detection.
• Abstract（参考訳）: ディープフェイクはデジタルメディアの完全性にとって大きな脅威だ。 DeiTFakeは、DeiTベースのトランスフォーマーであり、拡張複雑性を増大させる新しい2段階のプログレッシブトレーニング戦略である。 アプローチでは、標準的な拡張を伴う移行学習フェーズと、高度なアフィンとディープフェイク固有の拡張を使った微調整フェーズを適用している。 DeiTの知識蒸留モデルは微妙な加工品を捕獲し、検出モデルの堅牢性を高める。 OpenForensicsデータセット(190,335の画像)でトレーニングされたDeiTFakeは、ステージ1以降の精度98.71\%、ステージ2以降のAUROCは0.9997で、最新のOpenForensicsベースラインを上回っている。 本研究は,顔深度検出のための実用的なベンチマークを提供するとともに,拡張効果とトレーニングスケジュールを分析した。

関連論文リスト

• Performance Decay in Deepfake Detection: The Limitations of Training on Outdated Data [0.0]
  本稿では,現代ディープフェイクにおけるAUROCの99.8%を超える簡易かつ効果的な2段階検出手法を提案する。 このデータに基づいてトレーニングされたモデルは、わずか6ヶ月後に生成された生成技術を用いて作成したディープフェイクに対して、30%以上のリコール損失を被っていることを示す。 効果的なディープフェイク検出の未来は、高速データ収集と高度なフレームレベルの特徴検出器の開発に依存している。
  論文  参考訳（メタデータ） (2025-11-10T11:58:34Z)
• Combating Digitally Altered Images: Deepfake Detection [0.0]
  本研究では,改良型視覚変換器(ViT)モデルに基づく頑健なディープフェイク検出手法を提案する。 このモデルはOpenForensicsデータセットのサブセットで、さまざまなイメージ操作の堅牢性を高めるために、複数の拡張テクニックでトレーニングされている。 このモデルは、テストデータセット上で最先端の結果を示し、Deepfakeイメージを慎重に検出する。
  論文  参考訳（メタデータ） (2025-08-23T09:59:03Z)
• Standing on the Shoulders of Giants: Reprogramming Visual-Language Model for General Deepfake Detection [16.21235742118949]
  本稿では,よく訓練された視覚言語モデル(VLM)を一般深度検出に活用する手法を提案する。 入力摂動によってモデル予測を操作するモデル再プログラミングパラダイムにより,本手法はトレーニング済みのVLMモデルを再プログラムすることができる。 いくつかの人気のあるベンチマークデータセットの実験では、ディープフェイク検出のクロスデータセットとクロスマニピュレーションのパフォーマンスが大幅に改善できることが示されている。
  論文  参考訳（メタデータ） (2024-09-04T12:46:30Z)
• Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [81.93945602120453]
  本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。 フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。 設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
  論文  参考訳（メタデータ） (2024-08-23T01:53:36Z)
• 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)
• Towards More General Video-based Deepfake Detection through Facial Component Guided Adaptation for Foundation Model [16.69101880602321]
  一般化ビデオに基づくDeepfake検出のためのサイドネットワークベースのデコーダを提案する。 また、空間学習の一般化性を高めるために、FCG(Facial Component Guidance)を導入する。 提案手法は,Deepfakeデータセットに挑戦する上で有望な一般化性を示す。
  論文  参考訳（メタデータ） (2024-04-08T14:58:52Z)
• 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)
• Self-supervised Transformer for Deepfake Detection [112.81127845409002]
  現実世界のシナリオにおけるディープフェイク技術は、顔偽造検知器のより強力な一般化能力を必要とする。 転送学習に触発されて、他の大規模な顔関連タスクで事前訓練されたニューラルネットワークは、ディープフェイク検出に有用な機能を提供する可能性がある。 本稿では,自己教師型変換器を用いた音声視覚コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-02T17:44:40Z)
• Semantic Perturbations with Normalizing Flows for Improved Generalization [62.998818375912506]
  我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。 トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-08-18T03:20:00Z)

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。