論文の概要: A Novel Unified Approach to Deepfake Detection

• arxiv url: http://arxiv.org/abs/2601.03382v1
• Date: Tue, 06 Jan 2026 19:30:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 02:15:22.989257
• Title: A Novel Unified Approach to Deepfake Detection
• Title（参考訳）: ディープフェイク検出のための新しい統一アプローチ
• Authors: Lord Sen, Shyamapada Mukherjee,
• Abstract要約: 本稿では,画像やビデオにおけるディープフェイク検出のための新しいアーキテクチャを提案する。 このアーキテクチャは、空間領域と周波数領域の特徴間の交差注意と血液検出モジュールを使用して、画像をリアルまたはフェイクとして分類する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The advancements in the field of AI is increasingly giving rise to various threats. One of the most prominent of them is the synthesis and misuse of Deepfakes. To sustain trust in this digital age, detection and tagging of deepfakes is very necessary. In this paper, a novel architecture for Deepfake detection in images and videos is presented. The architecture uses cross attention between spatial and frequency domain features along with a blood detection module to classify an image as real or fake. This paper aims to develop a unified architecture and provide insights into each step. Though this approach we achieve results better than SOTA, specifically 99.80%, 99.88% AUC on FF++ and Celeb-DF upon using Swin Transformer and BERT and 99.55, 99.38 while using EfficientNet-B4 and BERT. The approach also generalizes very well achieving great cross dataset results as well.
• Abstract（参考訳）: AI分野の進歩は、ますます様々な脅威を引き起こしている。 その中でも最も有名なものはディープフェイクの合成と誤用である。 このデジタル時代の信頼を維持するためには、ディープフェイクの検出とタグ付けが不可欠である。 本稿では,画像およびビデオにおけるディープフェイク検出のための新しいアーキテクチャについて述べる。 このアーキテクチャは、空間領域と周波数領域の特徴間の交差注意と血液検出モジュールを使用して、画像をリアルまたはフェイクとして分類する。 本稿では,統一アーキテクチャを開発し,各ステップについて考察する。 このアプローチはSOTAよりも優れているが、特にFF++とCeleb-DFでは、Swin TransformerとBERTを使用し、EfficientNet-B4とBERTを使用して99.55、99.38を使用すると、99.80%、99.88%のAUCを実現している。 このアプローチはまた、優れたクロスデータセット結果の達成を非常によく一般化する。

関連論文リスト

• Evaluating Deepfake Detectors in the Wild [0.0]
  本研究では,最新のディープフェイク検知装置の評価を行い,実世界のシナリオを模倣してディープフェイク検出を行う新しいテスト手法を提案する。 我々の分析によると、ディープフェイクの検出は依然として難しい課題である。 JPEG圧縮や画像強調などの基本的な画像操作は、モデルの性能を著しく低下させる。
  論文  参考訳（メタデータ） (2025-07-29T15:17:00Z)
• Pay Less Attention to Deceptive Artifacts: Robust Detection of Compressed Deepfakes on Online Social Networks [81.21729774122554]
  オンラインソーシャルネットワーク(OSNs)における圧縮による「ブロック効果を見下ろす既存のディープフェイク検出方法」 本稿では,ペア化データの欠如と圧縮画像の非効率利用に対処する新しいフレームワークPLADAを提案する。 PLADAは2つのコアモジュールで構成されている。Block Effect Eraser (B2E) はブロック効果を処理するために2段階のアテンション機構を使用し、Open Data Aggregation (ODA) はペアデータとアンペアデータの両方を処理して検出を改善する。
  論文  参考訳（メタデータ） (2025-06-25T15:46:41Z)
• CAE-Net: Generalized Deepfake Image Detection using Convolution and Attention Mechanisms with Spatial and Frequency Domain Features [0.6700983301090583]
  クラス不均衡に対処し,アンサンブルベースのアーキテクチャであるemphCAE-Netを考案した。 私たちのアーキテクチャは、畳み込みと注目に基づくアンサンブルネットワークで構成されており、3つの異なるニューラルネットワークアーキテクチャを採用している。 EfficientNet B0アーキテクチャは90.79%、ConvNeXtアーキテクチャは89.49%、DeiTアーキテクチャは89.32%である。
  論文  参考訳（メタデータ） (2025-02-15T06:02:11Z)
• Deepfake Media Generation and Detection in the Generative AI Era: A Survey and Outlook [101.30779332427217]
  本研究は,近年の現場開発を含むディープフェイク発生・検出技術について調査する。 偽コンテンツの変更や生成に使用する手順に従って,様々な種類のディープフェイクを識別する。 我々は,分布外コンテンツに基づくディープフェイク検出のための新しいマルチモーダル・ベンチマークを開発した。
  論文  参考訳（メタデータ） (2024-11-29T08:29:25Z)
• DF40: Toward Next-Generation Deepfake Detection [62.073997142001424]
  既存の研究は、ある特定のデータセットで検出器をトレーニングし、他の一般的なディープフェイクデータセットでテストすることで、トップノーチ検出アルゴリズムとモデルを識別する。 しかし、これらの「勝者」は現実の世界に潜む無数の現実的で多様なディープフェイクに取り組むために真に応用できるのだろうか? 我々は,40の異なるディープフェイク技術からなるDF40という,高度に多様なディープフェイク検出データセットを構築した。
  論文  参考訳（メタデータ） (2024-06-19T12:35:02Z)
• Real-Time Deepfake Detection in the Real-World [39.96935319559675]
  本稿では,LaDeDa(Lacally Aware Deepfake Detection)アルゴリズムを提案する。 LaDeDaは1つの9x9イメージパッチを受け取り、ディープフェイクスコアを出力する。 いくつかの人気ソーシャルネットワークから収集された新しいディープフェイク検出データセットであるWildRFを紹介する。
  論文  参考訳（メタデータ） (2024-06-13T17:59:23Z)
• Leveraging Deep Learning Approaches for Deepfake Detection: A Review [0.0]
  ディープフェイク(Deepfakes)は、AIによって生成されたメディアであり、実際のメディアから切り離すことが難しい。 本稿では,コスト効率のよいモデルを実現するために,様々な手法を検討することを目的とする。
  論文  参考訳（メタデータ） (2023-04-04T16:04:42Z)
• 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)
• WildDeepfake: A Challenging Real-World Dataset for Deepfake Detection [82.42495493102805]
  我々は,インターネットから完全に収集された707のディープフェイクビデオから抽出された7,314の顔シーケンスからなる新しいデータセットWildDeepfakeを紹介した。 既存のWildDeepfakeデータセットと我々のWildDeepfakeデータセットのベースライン検出ネットワークを体系的に評価し、WildDeepfakeが実際により困難なデータセットであることを示す。
  論文  参考訳（メタデータ） (2021-01-05T11:10:32Z)

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。