論文の概要: Towards Robust DeepFake Detection under Unstable Face Sequences: Adaptive Sparse Graph Embedding with Order-Free Representation and Explicit Laplacian Spectral Prior

• arxiv url: http://arxiv.org/abs/2512.07498v1
• Date: Mon, 08 Dec 2025 12:31:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.883938
• Title: Towards Robust DeepFake Detection under Unstable Face Sequences: Adaptive Sparse Graph Embedding with Order-Free Representation and Explicit Laplacian Spectral Prior
• Title（参考訳）: 不安定顔系列におけるロバストディープフェイク検出に向けて:秩序のない表現と明示的なラプラシアンスペクトルを組み込んだ適応スパースグラフ
• Authors: Chih-Chung Hsu, Shao-Ning Chen, Chia-Ming Lee, Yi-Fang Wang, Yi-Shiuan Chou,
• Abstract要約: 本稿では,Laplacian-Regularized Graph Convolutional Network (LR-GCN)を提案する。 LR-GCNは、高度のグローバル・ローカル・ディスラプションの下で、最先端の性能とロバスト性を大幅に向上する。
• 参考スコア（独自算出の注目度）: 12.202765237400143
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ensuring the authenticity of video content remains challenging as DeepFake generation becomes increasingly realistic and robust against detection. Most existing detectors implicitly assume temporally consistent and clean facial sequences, an assumption that rarely holds in real-world scenarios where compression artifacts, occlusions, and adversarial attacks destabilize face detection and often lead to invalid or misdetected faces. To address these challenges, we propose a Laplacian-Regularized Graph Convolutional Network (LR-GCN) that robustly detects DeepFakes from noisy or unordered face sequences, while being trained only on clean facial data. Our method constructs an Order-Free Temporal Graph Embedding (OF-TGE) that organizes frame-wise CNN features into an adaptive sparse graph based on semantic affinities. Unlike traditional methods constrained by strict temporal continuity, OF-TGE captures intrinsic feature consistency across frames, making it resilient to shuffled, missing, or heavily corrupted inputs. We further impose a dual-level sparsity mechanism on both graph structure and node features to suppress the influence of invalid faces. Crucially, we introduce an explicit Graph Laplacian Spectral Prior that acts as a high-pass operator in the graph spectral domain, highlighting structural anomalies and forgery artifacts, which are then consolidated by a low-pass GCN aggregation. This sequential design effectively realizes a task-driven spectral band-pass mechanism that suppresses background information and random noise while preserving manipulation cues. Extensive experiments on FF++, Celeb-DFv2, and DFDC demonstrate that LR-GCN achieves state-of-the-art performance and significantly improved robustness under severe global and local disruptions, including missing faces, occlusions, and adversarially perturbed face detections.
• Abstract（参考訳）: DeepFake生成が現実的になり、検出に対して堅牢になるにつれ、ビデオコンテンツの信頼性の確保は依然として困難である。 既存のほとんどの検出器は、暗黙的に時間的に一貫したクリーンな顔のシーケンスを仮定しており、圧縮アーティファクト、オクルージョン、敵の攻撃が顔の検出を不安定化し、しばしば不正または誤検出されるような現実のシナリオでは、ほとんど成り立たない仮定である。 これらの課題に対処するために、クリーンな顔データのみをトレーニングしながら、ノイズや非順序の顔シーケンスからディープフェイクを堅牢に検出するラプラシア正規化グラフ畳み込みネットワーク(LR-GCN)を提案する。 本手法は,フレームワイドCNN機能を意味親和性に基づく適応スパースグラフに整理した,オーダーフリーのテンポラルグラフ埋め込み(OF-TGE)を構築する。 厳密な時間的連続性に制約された従来の方法とは異なり、OF-TGEはフレーム間の固有の特徴一貫性をキャプチャし、シャッフル、欠落、あるいは重く破損した入力に耐性がある。 さらに,グラフ構造とノード特徴の両面に二重レベルスパーシティ機構を付加し,不正な顔の影響を抑える。 重要な点として、グラフスペクトル領域におけるハイパス演算子として機能する明示的なグラフラプラシアンスペクトル事前(Graph Laplacian Spectral Prior)を導入し、低パスGCNアグリゲーションによって統合される構造異常と偽アーティファクトを強調した。 このシーケンシャルな設計は、操作キューを保ちながら背景情報やランダムノイズを抑制するタスク駆動スペクトル帯域通過機構を効果的に実現している。 FF++、Celeb-DFv2、DFDCの大規模な実験により、LR-GCNは最先端の性能を達成し、顔の欠損、閉塞、対向的摂動顔検出など、大域的および局所的な破壊の下で、ロバスト性を大幅に向上することが示された。

関連論文リスト

• Rethinking Contrastive Learning in Graph Anomaly Detection: A Clean-View Perspective [54.605073936695575]
  グラフ異常検出は、Webセキュリティやファイナンシャル不正検出などの分野で広く応用されているグラフベースのデータにおいて、異常なパターンを特定することを目的としている。 既存の手法は対照的な学習に依存しており、ノードとその局所部分グラフの間のより低い類似性は異常を示すと仮定する。 干渉エッジの存在は、対照的な学習過程を損なう破壊的なノイズをもたらすため、この仮定を無効にする。 コントラスト学習プロセスにおいて重要な干渉源を特定するために,複数スケールの異常認識モジュールを含むクリーンビュー拡張グラフ異常検出フレームワーク(CVGAD)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T15:05:56Z)
• 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)
• GRACE: Graph-Regularized Attentive Convolutional Entanglement with Laplacian Smoothing for Robust DeepFake Video Detection [7.591187423217017]
  本稿では,グラフラプラシアンを用いたグラフ畳み込みネットワークに基づく,堅牢なDeepFakeビデオ検出手法を提案する。 提案手法は,雑音の多い顔シーケンス下でのDeepFakeビデオ検出における最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-06-28T14:17:16Z)
• Learning Spatiotemporal Inconsistency via Thumbnail Layout for Face Deepfake Detection [41.35861722481721]
  社会とサイバーセキュリティに対するディープフェイクの脅威は、重大な公衆の不安を引き起こしている。 本稿では,Thumbnail Layout(TALL)という,エレガントでシンプルだが効果的な戦略を紹介する。 TALLはビデオクリップを予め定義されたレイアウトに変換し、空間的および時間的依存関係の保存を実現する。
  論文  参考訳（メタデータ） (2024-03-15T12:48:44Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• PhoGAD: Graph-based Anomaly Behavior Detection with Persistent Homology Optimization [24.915797951829443]
  PhoGADはグラフベースの異常検出フレームワークである。 永続的ホモロジー最適化を利用して行動境界を明らかにする。 侵入、トラフィック、スパムデータセットの実験により、PhoGADが検出有効性において最先端(SOTA)フレームワークのパフォーマンスを上回ったことが確認された。
  論文  参考訳（メタデータ） (2024-01-19T08:13:10Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Dual Spoof Disentanglement Generation for Face Anti-spoofing with Depth Uncertainty Learning [54.15303628138665]
  フェース・アンチ・スプーフィング(FAS)は、顔認識システムが提示攻撃を防ぐ上で重要な役割を担っている。 既存のフェース・アンチ・スプーフィング・データセットは、アイデンティティと重要なばらつきが不十分なため、多様性を欠いている。 我々は「生成によるアンチ・スプーフィング」によりこの問題に対処するデュアル・スポット・ディアンタングメント・ジェネレーション・フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-01T15:36:59Z)
• Exposing Deepfake with Pixel-wise AR and PPG Correlation from Faint Signals [3.0034765247774864]
  ディープフェイクは、法的証拠と知的財産保護の信頼性に深刻な脅威をもたらす。 既存の画素レベルの検出方法は、偽ビデオの増大するリアリズムに抵抗できない。 フェースビデオに隠された暗信号を通してディープフェイクを露呈する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-29T06:05:52Z)
• Beyond the Spectrum: Detecting Deepfakes via Re-Synthesis [69.09526348527203]
  ディープフェイク(Deepfakes)として知られる非常に現実的なメディアは、現実の目から人間の目まで区別できない。 本研究では,テスト画像を再合成し,検出のための視覚的手がかりを抽出する,新しい偽検出手法を提案する。 種々の検出シナリオにおいて,提案手法の摂動に対する有効性の向上,GANの一般化,堅牢性を示す。
  論文  参考訳（メタデータ） (2021-05-29T21:22:24Z)

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。