論文の概要: DiffFace-Edit: A Diffusion-Based Facial Dataset for Forgery-Semantic Driven Deepfake Detection Analysis

• arxiv url: http://arxiv.org/abs/2601.13551v1
• Date: Tue, 20 Jan 2026 03:21:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.135681
• Title: DiffFace-Edit: A Diffusion-Based Facial Dataset for Forgery-Semantic Driven Deepfake Detection Analysis
• Title（参考訳）: DiffFace-Edit:Forgery-Semantic-Driven Deepfake Detection Analysisのための拡散ベースの顔データセット
• Authors: Feng Ding, Wenhui Yi, Xinan He, Mengyao Xiao, Jianfeng Xu, Jianqiang Du,
• Abstract要約: 我々は、200万以上のAI生成フェイク画像を含むDiffFace-Editデータセットを紹介した。 8つの顔領域(例えば目、鼻など)にまたがる編集機能を備えており、より多様な編集機能を備えている。 具体的には,検出器回避サンプルが検出モデルに与える影響を具体的に分析する。
• 参考スコア（独自算出の注目度）: 10.354201196086843
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models now produce imperceptible, fine-grained manipulated faces, posing significant privacy risks. However, existing AI-generated face datasets generally lack focus on samples with fine-grained regional manipulations. Furthermore, no researchers have yet studied the real impact of splice attacks, which occur between real and manipulated samples, on detectors. We refer to these as detector-evasive samples. Based on this, we introduce the DiffFace-Edit dataset, which has the following advantages: 1) It contains over two million AI-generated fake images. 2) It features edits across eight facial regions (e.g., eyes, nose) and includes a richer variety of editing combinations, such as single-region and multi-region edits. Additionally, we specifically analyze the impact of detector-evasive samples on detection models. We conduct a comprehensive analysis of the dataset and propose a cross-domain evaluation that combines IMDL methods. Dataset will be available at https://github.com/ywh1093/DiffFace-Edit.
• Abstract（参考訳）: 生成モデルでは、認識不能できめ細かな操作された顔が生成され、重大なプライバシーリスクが生じる。 しかし、既存のAI生成顔データセットは、通常、きめ細かい地域操作のサンプルに重点を置いていない。 さらに、実際のサンプルと操作されたサンプルの間に発生するスプライス攻撃が検出器に与える影響について、研究者はまだ研究していない。 我々はこれらを検出器回避サンプルと呼ぶ。 これに基づいて、以下の利点があるDiffFace-Editデータセットを紹介します。 1)AI生成の偽画像が200万枚以上含まれている。 2)8つの顔領域(例、目、鼻)にまたがる編集機能を備えており、単一の領域や複数領域の編集機能など、より多様な編集機能を備えている。 さらに,検出器回避サンプルが検出モデルに与える影響を特に分析する。 データセットの包括的解析を行い,IMDL手法を組み合わせたクロスドメイン評価を提案する。 Datasetはhttps://github.com/ywh1093/DiffFace-Edit.comから入手できる。

関連論文リスト

• DDL: A Large-Scale Datasets for Deepfake Detection and Localization in Diversified Real-World Scenarios [51.916287988122406]
  本稿では,$textbf1.4M+$forgedサンプルを含む大規模ディープフェイク検出およびローカライゼーション(textbfDDL)データセットを提案する。 我々のDDLは、複雑な現実世界の偽造のより困難なベンチマークを提供するだけでなく、次世代のディープフェイク検出、ローカライゼーション、解釈可能性メソッドを構築するための重要なサポートも提供しています。
  論文  参考訳（メタデータ） (2025-06-29T15:29:03Z)
• GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross Appearance-Edge Learning [50.7702397913573]
  フォトリアリスティック・ジェネレータの急速な進歩は、真の画像と操作された画像の相違がますます不明瞭になっている臨界点に達している。 公開されている顔の偽造データセットはいくつかあるが、偽造顔は主にGANベースの合成技術を用いて生成される。 我々は,大規模で多様できめ細かな高忠実度データセットであるGenFaceを提案し,ディープフェイク検出の進展を促進する。
  論文  参考訳（メタデータ） (2024-02-03T03:13:50Z)
• DETER: Detecting Edited Regions for Deterring Generative Manipulations [31.85788472041527]
  我々は、編集済み画像領域を検出できる大規模なデータセットであるDETERを紹介する。 Deterには、最先端の4つのジェネレータと3つの編集操作によって操作された30万の画像が含まれている。 人間による研究では、DETERのヒトの深層偽検出率は、他の偽のデータセットよりも20.4%低いことが確認されている。
  論文  参考訳（メタデータ） (2023-12-16T20:38:02Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
  顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。 本稿では,新たな敵情報ネットワーク(AIN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:14:11Z)

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。