論文の概要: How Effective Are Publicly Accessible Deepfake Detection Tools? A Comparative Evaluation of Open-Source and Free-to-Use Platforms

• arxiv url: http://arxiv.org/abs/2603.04456v1
• Date: Mon, 02 Mar 2026 14:31:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-06 22:06:10.897877
• Title: How Effective Are Publicly Accessible Deepfake Detection Tools? A Comparative Evaluation of Open-Source and Free-to-Use Platforms
• Title（参考訳）: パブリックアクセス可能なディープフェイク検出ツールはどの程度有効か? オープンソースとフリー・ツー・ユースプラットフォームの比較評価
• Authors: Michael Rettinger, Ben Beaumont, Nhien-An Le-Khac, Hong-Hanh Nguyen-Le,
• Abstract要約: ディープフェイク画像は、デジタルメディアの真正性を検証することを担当する実践者にとって、エスカレートする課題となる。 本稿では,2つの相補的検出手法にまたがる6つのツールのクロスパラダイム評価について述べる。
• 参考スコア（独自算出の注目度）: 1.189955933770711
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The proliferation of deepfake imagery poses escalating challenges for practitioners tasked with verifying digital media authenticity. While detection algorithm research is abundant, empirical evaluations of publicly accessible tools that practitioners actually use remain scarce. This paper presents the first cross-paradigm evaluation of six tools, spanning two complementary detection approaches: forensic analysis tools (InVID \& WeVerify, FotoForensics, Forensically) and AI-based classifiers (DecopyAI, FaceOnLive, Bitmind). Both tool categories were evaluated by professional investigators with law enforcement experience using blinded protocols across datasets comprising authentic, tampered, and AI-generated images sourced from DF40, CelebDF, and CASIA-v2. We report three principal findings: forensic tools exhibit high recall but poor specificity, while AI classifiers demonstrate the inverse pattern; human evaluators substantially outperform all automated tools; and human-AI disagreement is asymmetric, with human judgment prevailing in the vast majority of discordant cases. We discuss implications for practitioner workflows and identify critical gaps in current detection capabilities.
• Abstract（参考訳）: ディープフェイク画像の拡散は、デジタルメディアの真正性を検証することを担当する実践者にとって、エスカレートする課題となる。 検出アルゴリズムの研究は豊富だが、実践者が実際に使用する公開ツールの実証的な評価は乏しい。 本稿では,InVID 解析ツール (InVID \& WeVerify, FotoForensics, Forensically) とAIベースの分類器 (DecopyAI, FaceOnLive, Bitmind) の2つの相補的検出手法にまたがる6つのツールのクロスパラダイム評価について述べる。 どちらのツールカテゴリも、DF40、CelebDF、CASIA-v2から得られた、本物、改ざんされた、AI生成された画像からなるデータセット間のブラインドプロトコルを使用して、法執行経験を持つ専門家によって評価された。 一方,AI分類器は逆パターンを示し,人間の評価器は全ての自動化ツールを大幅に上回っており,人間とAIの意見の不一致は非対称であり,不一致の場合の大部分でヒトの判断が優勢である。 実践者のワークフローへの影響を議論し、現在の検出能力における重要なギャップを特定する。

関連論文リスト

• Unveiling Perceptual Artifacts: A Fine-Grained Benchmark for Interpretable AI-Generated Image Detection [95.08316274158165]
  X-AIGDは、低レベルの歪み、高レベルの意味論、認知レベルの反事実など、知覚的アーティファクトのピクセルレベルの分類されたアノテーションを提供する。 既存のAIGI検出器は、最も基本的な歪みレベルであっても、知覚的アーティファクトに依存しない。 モデル注意をアーティファクト領域と明確に整合させることは、検出器の解釈可能性と一般化を高めることができる。
  論文  参考訳（メタデータ） (2026-01-27T10:09:17Z)
• Code-in-the-Loop Forensics: Agentic Tool Use for Image Forgery Detection [59.04089915447622]
  ForenAgentはインタラクティブなIFDフレームワークで、MLLMが検出対象に関するPythonベースの低レベルツールを自律的に生成、実行、洗練することができる。 人間の推論にインスパイアされた我々は、グローバルな認識、局所的な焦点、反復的探索、そして全体論的偏見を含む動的推論ループを設計する。 実験の結果,ForenAgent は IFD 課題に対する創発的なツール利用能力と反射的推論を示すことがわかった。
  論文  参考訳（メタデータ） (2025-12-18T08:38:44Z)
• Will AI also replace inspectors? Investigating the potential of generative AIs in usability inspection [0.0]
  本研究では、ユーザビリティ問題を特定するための生成AIの性能を、経験豊富な人間の検査者と比較した。 検査官が最高レベルの精度と全体的なカバレッジを達成した一方で、AIは高い個別のパフォーマンスを示し、多くの新しい欠陥を発見したが、偽陽性と冗長な報告の頻度は高かった。 これらの結果は、現在の段階では、AIは人間のインスペクタを置き換えることはできないが、効率を改善し、欠陥カバレッジを拡大するための貴重な拡張ツールとして役立つことを示唆している。
  論文  参考訳（メタデータ） (2025-10-19T23:59:15Z)
• RAID: A Dataset for Testing the Adversarial Robustness of AI-Generated Image Detectors [57.81012948133832]
  本稿では,72kの多種多様かつ高い変換可能な対向例からなるRAID(Robust Evaluation of AI- generated Image Detectors)を提案する。 提案手法は,未知の検出器に高い成功率で転送する逆画像を生成する。 以上の結果から,現在最先端のAI生成画像検出器は,敵の例によって容易に認識できることが示唆された。
  論文  参考訳（メタデータ） (2025-06-04T14:16:00Z)
• Detecting Dataset Bias in Medical AI: A Generalized and Modality-Agnostic Auditing Framework [8.017827642932746]
  データセットに対する一般属性ユーティリティと検出可能性によるバイアステスト(G-AUDIT)は、モダリティに依存しないデータセット監査フレームワークである。 本手法は,患者属性を含むデータ特性とタスクレベルのアノテーションの関係について検討する。 G-AUDITは、従来の定性的手法で見過ごされる微妙な偏見をうまく識別する。
  論文  参考訳（メタデータ） (2025-03-13T02:16:48Z)
• Adversarial Robustness of AI-Generated Image Detectors in the Real World [13.52355280061187]
  現状の最先端分類器は,実環境下での敵例に対して脆弱であることを示す。 ほとんどの攻撃は、例えばソーシャルメディアプラットフォームへのアップロード中に画像が劣化しても有効である。 ケーススタディでは、HIVEに対してブラックボックス攻撃を行うことにより、これらの堅牢性の課題が商用ツールにも見られることを示した。
  論文  参考訳（メタデータ） (2024-10-02T14:11:29Z)
• 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)
• Individualized Deepfake Detection Exploiting Traces Due to Double Neural-Network Operations [29.59765394512256]
  本研究では,個々の人物の顔画像のディープフェイク検出に焦点を当てた。 ニューラルネットワークのイデオロシティ特性を利用して検出性能を向上できることを実証する。 実験の結果,提案手法は曲線下面積を0.92から0.94に改善し,標準偏差を17%低減することがわかった。
  論文  参考訳（メタデータ） (2023-12-13T10:21:00Z)
• CrossDF: Improving Cross-Domain Deepfake Detection with Deep Information Decomposition [53.860796916196634]
  クロスデータセットディープフェイク検出(CrossDF)の性能を高めるためのディープ情報分解(DID)フレームワークを提案する。 既存のディープフェイク検出方法とは異なり、我々のフレームワークは特定の視覚的アーティファクトよりも高いレベルのセマンティック特徴を優先する。 顔の特徴をディープフェイク関連情報と無関係情報に適応的に分解し、本質的なディープフェイク関連情報のみを用いてリアルタイム・フェイク識別を行う。
  論文  参考訳（メタデータ） (2023-09-30T12:30:25Z)
• Improving Object Detection in Medical Image Analysis through Multiple Expert Annotators: An Empirical Investigation [0.3670422696827525]
  本研究は, 医用画像解析における異常検出における機械学習アルゴリズムの利用について論じる。 さまざまなレベルの専門知識を持つ複数のアノテーションからアノテーションを集約する,シンプルで効果的なアプローチを導入する。 次に、複数のアノテーションから隠れラベルを推定し、再重み付き損失関数を用いて検出性能を向上させることにより、異常検出タスクにおける予測モデルの効率を向上させることを目的とする。
  論文  参考訳（メタデータ） (2023-03-29T07:34:20Z)
• Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or Something Else? [93.91375268580806]
  政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。 既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。 既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
  論文  参考訳（メタデータ） (2021-11-09T13:30:34Z)

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。