論文の概要: When Generative Replay Meets Evolving Deepfakes: Domain-Aware Relative Weighting for Incremental Face Forgery Detection

• arxiv url: http://arxiv.org/abs/2511.18436v1
• Date: Sun, 23 Nov 2025 13:09:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.84042
• Title: When Generative Replay Meets Evolving Deepfakes: Domain-Aware Relative Weighting for Incremental Face Forgery Detection
• Title（参考訳）: 進化するディープフェイク:インクリメンタル顔偽造検出のためのドメイン認識相対重み付け
• Authors: Hao Shen, Jikang Cheng, Renye Yan, Zhongyuan Wang, Wei Peng, Baojin Huang,
• Abstract要約: 生成的リプレイは過去のデータを合成することで潜在的な解決策を提供するが、偽造検出の可能性はまだ不明である。 生成的リプレイを効果的に活用するための新しいドメイン認識相対重み付け(DARW)戦略を提案する。 DARWは、ドメインリスキーサンプルの監督と潜在的な混乱のバランスをとるために、相対分離損失を適用しながら、ドメインセーフなサンプルを直接監視する。
• 参考スコア（独自算出の注目度）: 20.277608307966382
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid advancement of face generation techniques has led to a growing variety of forgery methods. Incremental forgery detection aims to gradually update existing models with new forgery data, yet current sample replay-based methods are limited by low diversity and privacy concerns. Generative replay offers a potential solution by synthesizing past data, but its feasibility for forgery detection remains unclear. In this work, we systematically investigate generative replay and identify two scenarios: when the replay generator closely resembles the new forgery model, generated real samples blur the domain boundary, creating domain-risky samples; when the replay generator differs significantly, generated samples can be safely supervised, forming domain-safe samples. To exploit generative replay effectively, we propose a novel Domain-Aware Relative Weighting (DARW) strategy. DARW directly supervises domain-safe samples while applying a Relative Separation Loss to balance supervision and potential confusion for domain-risky samples. A Domain Confusion Score dynamically adjusts this tradeoff according to sample reliability. Extensive experiments demonstrate that DARW consistently improves incremental learning performance for forgery detection under different generative replay settings and alleviates the adverse impact of domain overlap.
• Abstract（参考訳）: 顔生成技術の急速な進歩により、様々な偽造手法が発展してきた。 増分フォージェリ検出は、新しいフォージェリデータで既存のモデルを徐々に更新することを目的としているが、現在のサンプルリプレイベースの方法は、多様性とプライバシの懸念によって制限されている。 生成的リプレイは過去のデータを合成することで潜在的な解決策を提供するが、偽造検出の可能性はまだ不明である。 本研究では,リプレイジェネレータが新しい偽造モデルによく似ている場合,生成された実サンプルがドメイン境界を曖昧にし,ドメインリスキーなサンプルを生成する場合,リプレイジェネレータが著しく異なる場合には,生成したサンプルを安全に監視し,ドメインセーフなサンプルを作成するという2つのシナリオを系統的に検討する。 生成的リプレイを効果的に活用するために,新しいDomain-Aware Relative Weighting(DARW)戦略を提案する。 DARWは、ドメインリスキーサンプルの監督と潜在的な混乱のバランスをとるために、相対分離損失を適用しながら、ドメインセーフなサンプルを直接監視する。 ドメイン・コンフュージョン・スコアはサンプルの信頼性に応じてこのトレードオフを動的に調整します。 大規模な実験により、DARWは、異なる生成的リプレイ設定下での偽検出のための漸進的学習性能を一貫して改善し、ドメイン重複の悪影響を軽減することが示されている。

関連論文リスト

• Generating Realistic, Diverse, and Fault-Revealing Inputs with Latent Space Interpolation for Testing Deep Neural Networks [23.018072013940245]
  ARGUSは、現実的で多種多様でフォールトレベリングなテスト入力を生成するブラックボックス方式である。 ARGUSは、ターゲットデータセットに対する現実的で多様な敵のサンプルを生成するのに優れています。 モデル再トレーニングに対向サンプルを使用することで、モデルの分類精度が向上する。
  論文  参考訳（メタデータ） (2025-03-22T03:19:55Z)
• Retrieval Augmented Anomaly Detection (RAAD): Nimble Model Adjustment Without Retraining [3.037546128667634]
  Retrieval Augmented Anomaly Detectionは、Retrieval Augmented Generationからインスピレーションを得た新しい手法である。 人間の注釈付きサンプルはベクトルストアに送られ、モデル推論のために、非常に次の処理バッチでモデル出力を変更することができる。
  論文  参考訳（メタデータ） (2025-02-26T20:17:16Z)
• Diffusion-based Layer-wise Semantic Reconstruction for Unsupervised Out-of-Distribution Detection [30.02748131967826]
  教師なしのアウト・オブ・ディストリビューション(OOD)検出は、未ラベルのIn-Distribution(ID)トレーニングサンプルからのみ学習することで、ドメイン外のデータを識別することを目的としている。 現在の再構成手法は, 画素/機能空間における入力と対応する生成物間の再構成誤差を測定することで, 優れた代替手法を提供する。 拡散に基づく階層的意味再構成手法を提案する。
  論文  参考訳（メタデータ） (2024-11-16T04:54:07Z)
• 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)
• Continual Offline Reinforcement Learning via Diffusion-based Dual Generative Replay [16.269591842495892]
  本研究では, 逐次的オフラインタスクに取り組むために, 前方転送を容易にし, 破滅的な忘れを緩和する実践的パラダイムについて検討する。 本稿では,生成した擬似データの同時再生により,過去の知識を保持できる2つの生成再生フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-16T15:39:11Z)
• GE-AdvGAN: Improving the transferability of adversarial samples by gradient editing-based adversarial generative model [69.71629949747884]
  GAN(Generative Adversarial Networks)のような逆生成モデルは、様々な種類のデータを生成するために広く応用されている。 本研究では, GE-AdvGAN という新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-11T16:43:16Z)
• Projection Regret: Reducing Background Bias for Novelty Detection via Diffusion Models [72.07462371883501]
  本研究では,非意味情報のバイアスを緩和する効率的な新規性検出手法であるemphProjection Regret(PR)を提案する。 PRは、テスト画像とその拡散ベースの投影の間の知覚距離を計算し、異常を検出する。 拡張実験により、PRは生成モデルに基づく新規性検出手法の先行技術よりも有意なマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2023-12-05T09:44:47Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。