論文の概要: Towards Generalizable Deepfake Detection via Real Distribution Bias Correction

• arxiv url: http://arxiv.org/abs/2603.14005v1
• Date: Sat, 14 Mar 2026 16:11:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.538963
• Title: Towards Generalizable Deepfake Detection via Real Distribution Bias Correction
• Title（参考訳）: 実分布バイアス補正による一般化可能なディープフェイク検出に向けて
• Authors: Ming-Hui Liu, Harry Cheng, Xin Luo, Xin-Shun Xu, Mohan S. Kankanhalli,
• Abstract要約: 本稿では,2つの主要コンポーネントからなるReal Distribution Bias Correction(RDBC)フレームワークを紹介する。 RDBCは、ドメイン内およびクロスドメインのディープフェイク検出の両方で最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 62.89674593681203
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To generalize deepfake detectors to future unseen forgeries, most existing methods attempt to simulate the dynamically evolving forgery types using available source domain data. However, predicting an unbounded set of future manipulations from limited prior examples is infeasible. To overcome this limitation, we propose to exploit the invariance of \textbf{real data} from two complementary perspectives: the fixed population distribution of the entire real class and the inherent Gaussianity of individual real images. Building on these properties, we introduce the Real Distribution Bias Correction (RDBC) framework, which consists of two key components: the Real Population Distribution Estimation module and the Distribution-Sampled Feature Whitening module. The former utilizes the independent and identically distributed (\iid) property of real samples to derive the normal distribution form of their statistics, from which the distribution parameters can be estimated using limited source domain data. Based on the learned population distribution, the latter utilizes the inherent Gaussianity of real data as a discriminative prior and performs a sampling-based whitening operation to amplify the Gaussianity gap between real and fake samples. Through synergistic coupling of the two modules, our model captures the real-world properties of real samples, thereby enhancing its generalizability to unseen target domains. Extensive experiments demonstrate that RDBC achieves state-of-the-art performance in both in-domain and cross-domain deepfake detection.
• Abstract（参考訳）: ディープフェイク検出器を将来の目に見えない偽造物に一般化するために、既存のほとんどの手法は利用可能なソース・ドメイン・データを用いて動的に進化する偽造物型をシミュレートしようとする。 しかし、制限された先行例から将来の操作の非有界なセットを予測することは不可能である。 この制限を克服するために,本研究では,実画像全体の固定集団分布と,個々の実画像の固有ガウス性という2つの相補的視点から, \textbf{real data} の不変性を活用することを提案する。 これらの特性に基づいて、Real Distribution Bias Correction(RDBC)フレームワークを導入し、Real Population Distribution EstimationモジュールとReal Distribution-Sampled Feature Whiteningモジュールの2つの主要なコンポーネントからなる。 前者は、実際のサンプルの独立分布(\iid)特性を利用して、それらの統計の正規分布形式を導出し、その分布パラメータを限られたソース・ドメイン・データを用いて推定することができる。 学習された個体群分布に基づいて、後者は実データの固有なガウス性を差別的先行として利用し、サンプルベースの白化演算を行い、実データと偽データの間のガウス性ギャップを増幅する。 この2つのモジュールの相乗的結合により,本モデルは実検体の実世界の特性を捉え,対象領域に対する一般化性を高める。 広範囲な実験により、RDBCはドメイン内およびクロスドメインのディープフェイク検出において最先端のパフォーマンスを達成することが示された。

関連論文リスト

• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• Improving Distribution Alignment with Diversity-based Sampling [0.0]
  ドメインシフトは機械学習においてユビキタスであり、実際のデータにデプロイすると、モデルのパフォーマンスが大幅に低下する可能性がある。 本稿では,各サンプル小バッチの多様性を誘導することにより,これらの推定値を改善することを提案する。 同時にデータのバランスを保ち、勾配のばらつきを低減し、それによってモデルの一般化能力を高める。
  論文  参考訳（メタデータ） (2024-10-05T17:26:03Z)
• Probabilistic Matching of Real and Generated Data Statistics in Generative Adversarial Networks [0.6906005491572401]
  本稿では,あるデータ統計量の分布が実データの分布と一致することを確実にする手法を提案する。 提案手法を合成データセットと実世界のデータセットで評価し,提案手法の性能向上を実証した。
  論文  参考訳（メタデータ） (2023-06-19T14:03:27Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)
• Estimating Generalization under Distribution Shifts via Domain-Invariant Representations [75.74928159249225]
  未知の真のターゲットラベルのプロキシとして、ドメイン不変の予測器のセットを使用します。 結果として生じるリスク見積の誤差は、プロキシモデルのターゲットリスクに依存する。
  論文  参考訳（メタデータ） (2020-07-06T17:21:24Z)
• Global Distance-distributions Separation for Unsupervised Person Re-identification [93.39253443415392]
  既存の教師なしのReIDアプローチは、距離ベースのマッチング/ランク付けを通じて正のサンプルと負のサンプルを正しく識別するのに失敗することが多い。 本研究では,2つの分布に対する大域的距離分布分離の制約を導入し,大域的視点から正と負のサンプルを明確に分離することを奨励する。 本研究では,本手法がベースラインを大幅に改善し,最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-06-01T07:05:39Z)

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。