Fugu-MT 論文翻訳(概要): All in One: Unifying Deepfake Detection, Tampering Localization, and Source Tracing with a Robust Landmark-Identity Watermark

論文の概要: All in One: Unifying Deepfake Detection, Tampering Localization, and Source Tracing with a Robust Landmark-Identity Watermark

arxiv url: http://arxiv.org/abs/2602.23523v1
Date: Thu, 26 Feb 2026 21:57:15 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-02 19:48:24.146832
Title: All in One: Unifying Deepfake Detection, Tampering Localization, and Source Tracing with a Robust Landmark-Identity Watermark
Title（参考訳）: ディープフェイク検出、ローカライゼーションの改ざん、そしてロバストなランドマーク・インデント・ウォーターマークによるソーストラクション
Authors: Junjiang Wu, Liejun Wang, Zhiqing Guo,
Abstract要約: 悪意ある顔操作は、個人のプライバシーと社会保障に重大な脅威をもたらす。既存のプロアクティブな法医学的手法は、ディープフェイクの検出、ローカライゼーションの改ざん、ソーストレースを独立したタスクとして扱う。本稿では,これら3つの中核課題に共同で対処する一貫した前立腺科学フレームワークを提案する。
参考スコア（独自算出の注目度）: 25.001768538619558
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: With the rapid advancement of deepfake technology, malicious face manipulations pose a significant threat to personal privacy and social security. However, existing proactive forensics methods typically treat deepfake detection, tampering localization, and source tracing as independent tasks, lacking a unified framework to address them jointly. To bridge this gap, we propose a unified proactive forensics framework that jointly addresses these three core tasks. Our core framework adopts an innovative 152-dimensional landmark-identity watermark termed LIDMark, which structurally interweaves facial landmarks with a unique source identifier. To robustly extract the LIDMark, we design a novel Factorized-Head Decoder (FHD). Its architecture factorizes the shared backbone features into two specialized heads (i.e., regression and classification), robustly reconstructing the embedded landmarks and identifier, respectively, even when subjected to severe distortion or tampering. This design realizes an "all-in-one" trifunctional forensic solution: the regression head underlies an "intrinsic-extrinsic" consistency check for detection and localization, while the classification head robustly decodes the source identifier for tracing. Extensive experiments show that the proposed LIDMark framework provides a unified, robust, and imperceptible solution for the detection, localization, and tracing of deepfake content. The code is available at https://github.com/vpsg-research/LIDMark.
Abstract（参考訳）: ディープフェイク技術の急速な進歩により、悪意のある顔操作は個人のプライバシーと社会保障に重大な脅威をもたらす。しかし、既存のプロアクティブな法医学的手法は、ディープフェイクの検出、ローカライゼーションの改ざん、ソーストレースを独立したタスクとして扱うのが一般的であり、それらを共同で扱うための統一されたフレームワークが欠如している。このギャップを埋めるために、これらの3つのコアタスクに共同で対処する一貫した前向きの法医学フレームワークを提案する。我々の中核となるフレームワークは、152次元のランドマークのランドマークであるLIDMarkを採用しています。 LIDMarkを頑健に抽出するために、FHD(Facterized-Head Decoder)を設計する。そのアーキテクチャは、共有バックボーンの特徴を2つの特殊ヘッド(レグレッションと分類)に分解し、激しい歪みや改ざんを受けた場合でも、それぞれ埋め込みランドマークと識別子をしっかりと再構築する。回帰ヘッドは、検出とローカライゼーションのための"内在的-外在的"整合性チェックを基盤とし、分類ヘッドは、トレースのためのソース識別子を頑健に復号する。大規模な実験により、提案したLIDMarkフレームワークは、ディープフェイクコンテンツの検出、ローカライゼーション、トレースのための統一的で堅牢で受け入れがたいソリューションを提供することが示された。コードはhttps://github.com/vpsg-research/LIDMarkで公開されている。

関連論文リスト

LCMem: A Universal Model for Robust Image Memorization Detection [10.504309161945065]
両タスクを協調的に評価するクロスドメインモデルであるLCMem(Latent Contrastive Memorization Network)を導入する。 LCMemは、再識別時の最大16ポイント、コピー検出時の30ポイントの改善を実現している。以上の結果から,既存のプライバシフィルタは性能と堅牢性を制限し,より強力な保護機構の必要性を浮き彫りにしている。
論文参考訳（メタデータ） (2025-12-16T14:06:58Z)
Beyond Inference Intervention: Identity-Decoupled Diffusion for Face Anonymization [55.29071072675132]
顔の匿名化は、非同一性属性を保持しながら、識別情報を隠蔽することを目的としている。トレーニング中心の匿名化フレームワークである textbfIDsuperscript2Face を提案する。 IDtextsuperscript2Faceは、視覚的品質、アイデンティティの抑制、ユーティリティ保存において、既存の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2025-10-28T09:28:12Z)
Registration is a Powerful Rotation-Invariance Learner for 3D Anomaly Detection [64.0168648353038]
ポイントクラウドデータにおける3次元異常検出は、高い信頼性で構造欠陥を特定することを目的として、産業品質管理に不可欠である。現在のメモリバンクベースの手法は、しばしば一貫性のない特徴変換と限定的な識別能力に悩まされる。本稿では、ポイントクラウド登録とメモリベース異常検出の目的を統合した、登録による回転不変の特徴抽出フレームワークを提案する。
論文参考訳（メタデータ） (2025-10-19T14:56:38Z)
TAG-WM: Tamper-Aware Generative Image Watermarking via Diffusion Inversion Sensitivity [76.98973481600002]
本稿では,TAG-WMと命名されたタンパ認識画像ウォーターマーキング手法を提案する。提案手法は、4つのキーモジュールからなる: 生成品質を保ちつつ、著作権と局所化の透かしを潜伏空間に埋め込むためのデュアルマークジョイントサンプリング (DMJS) アルゴリズム。実験結果から,TAG-WMは歪み下においても,改質性および局所化能力の両面において最先端性能を達成できることが示された。
論文参考訳（メタデータ） (2025-06-30T03:14:07Z)
Cross-Branch Orthogonality for Improved Generalization in Face Deepfake Detection [43.2796409299818]
ディープフェイクは法執行機関や一般大衆にとって迷惑になっている。既存のディープフェイク検出器は、ディープフェイク生成のペースの改善に追随するのに苦労している。本稿では,粗い空間情報,意味情報,それらの相互作用を活用する新しい戦略を提案する。
論文参考訳（メタデータ） (2025-05-08T01:49:53Z)
Towards Copyright Protection for Knowledge Bases of Retrieval-augmented Language Models via Reasoning [58.57194301645823]
大規模言語モデル(LLM)は、現実のパーソナライズされたアプリケーションにますます統合されている。 RAGで使用される知識基盤の貴重かつしばしばプロプライエタリな性質は、敵による不正使用のリスクをもたらす。これらの知識基盤を保護するための透かし技術として一般化できる既存の方法は、一般的に毒やバックドア攻撃を含む。我々は、無害な」知識基盤の著作権保護の名称を提案する。
論文参考訳（メタデータ） (2025-02-10T09:15:56Z)
DFREC: DeepFake Identity Recovery Based on Identity-aware Masked Autoencoder [18.429364860956426]
DFRECは、ディープフェイク画像からソースとターゲットの顔のペアを復元し、ディープフェイク識別追跡を容易にすることを目的としている。 DFRECはFaceForensics++, CelebaFS, FFHQ-E4Sデータセットに対して6つの異なる高忠実顔スワッピング攻撃に対して評価する。
論文参考訳（メタデータ） (2024-12-10T07:42:02Z)
COMICS: End-to-end Bi-grained Contrastive Learning for Multi-face Forgery Detection [56.7599217711363]
顔偽造認識法は一度に1つの顔しか処理できない。ほとんどの顔偽造認識法は一度に1つの顔しか処理できない。マルチフェイスフォージェリ検出のためのエンドツーエンドフレームワークであるCOMICSを提案する。
論文参考訳（メタデータ） (2023-08-03T03:37:13Z)
Erasing, Transforming, and Noising Defense Network for Occluded Person Re-Identification [36.91680117072686]
我々は,隠蔽された人物のリIDを解決するために,ETNDNet(Easing, Transforming, and Noising Defense Network)を提案する。提案するETNDNetでは,特徴マップをランダムに消去し,不完全な情報を持つ逆表現を生成する。第3に、障害物や歩行者以外の歩行者が導入したノイズ情報に対処するために、ランダムな値で特徴マップを摂動する。
論文参考訳（メタデータ） (2023-07-14T06:42:21Z)
Detect Any Deepfakes: Segment Anything Meets Face Forgery Detection and Localization [30.317619885984005]
本稿では,視覚的セグメンテーション基盤モデル,すなわちセグメンテーションモデル(SAM)をフォージェリ検出とローカライゼーションの対面に導入する。 SAMに基づいて,Multiscale Adapterを用いたDADFフレームワークを提案する。提案するフレームワークは、エンドツーエンドのフォージェリーローカライゼーションと検出最適化をシームレスに統合する。
論文参考訳（メタデータ） (2023-06-29T16:25:04Z)
SepMark: Deep Separable Watermarking for Unified Source Tracing and Deepfake Detection [15.54035395750232]
悪意あるディープフェイクは、本物と偽造された顔の区別に関して激しい対立を引き起こしている。我々はソーストレースとディープフェイク検出のための統合フレームワークを提供するSepMarkを提案する。
論文参考訳（メタデータ） (2023-05-10T17:15:09Z)
Unsupervised Object Detection with LiDAR Clues [70.73881791310495]
本稿では,LiDARの手がかりを用いた非教師対象検出のための最初の実用的手法を提案する。提案手法では,まず3次元点雲に基づく候補オブジェクトセグメントを生成する。そして、セグメントラベルを割り当て、セグメントラベルネットワークを訓練する反復的なセグメントラベル処理を行う。ラベル付けプロセスは、長い尾とオープンエンドの分布の問題を軽減するために慎重に設計されている。
論文参考訳（メタデータ） (2020-11-25T18:59:54Z)

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。