論文の概要: FakeRadar: Probing Forgery Outliers to Detect Unknown Deepfake Videos

• arxiv url: http://arxiv.org/abs/2512.14601v1
• Date: Tue, 16 Dec 2025 17:11:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.808866
• Title: FakeRadar: Probing Forgery Outliers to Detect Unknown Deepfake Videos
• Title（参考訳）: FakeRadar: 未知のディープフェイク動画を検知する偽造事件を調査中
• Authors: Zhaolun Li, Jichang Li, Yinqi Cai, Junye Chen, Xiaonan Luo, Guanbin Li, Rushi Lan,
• Abstract要約: 本稿では,新しいディープフェイクビデオ検出フレームワークであるFakeRadarを提案する。 FakeRadarは、現実世界のシナリオにおけるクロスドメインの一般化の課題に対処する。
• 参考スコア（独自算出の注目度）: 56.782373316571444
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose FakeRadar, a novel deepfake video detection framework designed to address the challenges of cross-domain generalization in real-world scenarios. Existing detection methods typically rely on manipulation-specific cues, performing well on known forgery types but exhibiting severe limitations against emerging manipulation techniques. This poor generalization stems from their inability to adapt effectively to unseen forgery patterns. To overcome this, we leverage large-scale pretrained models (e.g. CLIP) to proactively probe the feature space, explicitly highlighting distributional gaps between real videos, known forgeries, and unseen manipulations. Specifically, FakeRadar introduces Forgery Outlier Probing, which employs dynamic subcluster modeling and cluster-conditional outlier generation to synthesize outlier samples near boundaries of estimated subclusters, simulating novel forgery artifacts beyond known manipulation types. Additionally, we design Outlier-Guided Tri-Training, which optimizes the detector to distinguish real, fake, and outlier samples using proposed outlier-driven contrastive learning and outlier-conditioned cross-entropy losses. Experiments show that FakeRadar outperforms existing methods across various benchmark datasets for deepfake video detection, particularly in cross-domain evaluations, by handling the variety of emerging manipulation techniques.
• Abstract（参考訳）: 本稿では,現実シナリオにおけるクロスドメイン一般化の課題に対処する,新しいディープフェイクビデオ検出フレームワークであるFakeRadarを提案する。 既存の検出方法は、通常、操作固有の手段に依存し、既知の偽造型によく依存するが、新しい操作技術に対する厳しい制限を示す。 この貧弱な一般化は、目に見えない偽造パターンに効果的に適応できないことに起因する。 これを解決するために、大規模事前学習モデル(例えばCLIP)を活用して、機能空間を積極的に探索し、実際のビデオ、既知の偽造、不明な操作間の分散ギャップを明確に強調する。 具体的には、FakeRadarがForgery Outlier Probingを紹介している。これは、動的サブクラスタモデリングとクラスタ条件のoutlier生成を使用して、推定サブクラスタの境界付近でoutlierサンプルを合成し、既知の操作タイプを超えた新しいフォージェリーアーティファクトをシミュレートする。 さらに,提案した外周駆動のコントラスト学習と外周条件のクロスエントロピー損失を用いて,実・偽・外周サンプルの識別を最適化する,外周誘導トリトレーニングを設計する。 実験の結果、FakeRadarは様々なベンチマークデータセットで既存の手法より優れており、特にクロスドメイン評価において、様々な新しい操作テクニックを扱います。

関連論文リスト

• FakeChain: Exposing Shallow Cues in Multi-Step Deepfake Detection [28.153605685413893]
  マルチステップまたはハイブリッドのディープフェイクは、シングルステップのフォージェリーでトレーニングされたモデルを検出するために、予期せぬ技術的課題を生じさせる可能性がある。 textbfFakeChainは,5つの最先端の代表ジェネレータを用いて合成した1-,2-,3-Stepフォージェリーからなる大規模ベンチマークである。
  論文  参考訳（メタデータ） (2025-09-20T09:53:50Z)
• Fuzzy Granule Density-Based Outlier Detection with Multi-Scale Granular Balls [65.44462297594308]
  外乱検出は、正常なデータの分布から大きく逸脱する異常なサンプルの同定を指す。 ほとんどの教師なしの外れ値検出方法は、指定された外れ値を検出するために慎重に設計されている。 ファジィ粗集合に基づくマルチスケールアウトレイラ検出手法を提案し,様々な種類のアウトレイラを同定する。
  論文  参考訳（メタデータ） (2025-01-06T12:35:51Z)
• Transcending Forgery Specificity with Latent Space Augmentation for Generalizable Deepfake Detection [57.646582245834324]
  LSDAと呼ばれる簡易で効果的なディープフェイク検出器を提案する。 より多様な偽の表現は、より一般化可能な決定境界を学べるべきである。 提案手法は驚くほど有効であり, 広く使用されている複数のベンチマークで最先端の検出器を超越することを示す。
  論文  参考訳（メタデータ） (2023-11-19T09:41:10Z)
• Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
  ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。 既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。 本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-07-31T10:22:33Z)
• SeeABLE: Soft Discrepancies and Bounded Contrastive Learning for Exposing Deepfakes [7.553507857251396]
  本研究では,検出問題を(一級)アウト・オブ・ディストリビューション検出タスクとして形式化する,SeeABLEと呼ばれる新しいディープフェイク検出器を提案する。 SeeABLEは、新しい回帰ベースの有界コントラスト損失を使用して、乱れた顔を事前定義されたプロトタイプにプッシュする。 我々のモデルは競合する最先端の検出器よりも高い性能を示しながら、高度に一般化能力を示す。
  論文  参考訳（メタデータ） (2022-11-21T09:38:30Z)
• Cross-Domain Local Characteristic Enhanced Deepfake Video Detection [18.430287055542315]
  ディープフェイク検出はセキュリティ上の懸念から注目を集めている。 多くの検出器は、目に見えない操作を検出する際に正確な結果を得ることができない。 そこで我々は,より一般的なディープフェイクビデオ検出のための新しいパイプラインであるクロスドメインローカルフォレスティクスを提案する。
  論文  参考訳（メタデータ） (2022-11-07T07:44:09Z)
• Voice-Face Homogeneity Tells Deepfake [56.334968246631725]
  既存の検出アプローチは、ディープフェイクビデオにおける特定のアーティファクトの探索に寄与する。 未探索の音声-顔のマッチングビューからディープフェイク検出を行う。 我々のモデルは、他の最先端の競合と比較して、大幅に性能が向上する。
  論文  参考訳（メタデータ） (2022-03-04T09:08:50Z)

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。