論文の概要: Face2Parts: Exploring Coarse-to-Fine Inter-Regional Facial Dependencies for Generalized Deepfake Detection

• arxiv url: http://arxiv.org/abs/2603.26036v1
• Date: Fri, 27 Mar 2026 03:12:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.339601
• Title: Face2Parts: Exploring Coarse-to-Fine Inter-Regional Facial Dependencies for Generalized Deepfake Detection
• Title（参考訳）: Face2Parts: 一般化されたディープフェイク検出のための粗大から短大の顔差探索
• Authors: Kutub Uddin, Nusrat Tasnim, Byung Tae Oh,
• Abstract要約: 我々は既存の法医学的手法を解析し、各手法がディープフェイクの痕跡を検出する際、独自の強度を持つことを観察する。 粗大な情報を利用してディープフェイク検出を改善する新しいハイブリッドアプローチFace2Partsを提案する。 提案手法は、FF++で平均98.42%、CDF1で79.80%、CDF2で85.34%、DFDで89.41%、DFDCで84.07%、DTIMで95.62%、PDDで80.76%、100%を達成する。
• 参考スコア（独自算出の注目度）: 4.511561231517167
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimedia data, particularly images and videos, is integral to various applications, including surveillance, visual interaction, biometrics, evidence gathering, and advertising. However, amateur or skilled counterfeiters can simulate them to create deepfakes, often for slanderous motives. To address this challenge, several forensic methods have been developed to ensure the authenticity of the content. The effectiveness of these methods depends on their focus, with challenges arising from the diverse nature of manipulations. In this article, we analyze existing forensic methods and observe that each method has unique strengths in detecting deepfake traces by focusing on specific facial regions, such as the frame, face, lips, eyes, or nose. Considering these insights, we propose a novel hybrid approach called Face2Parts based on hierarchical feature representation ($HFR$) that takes advantage of coarse-to-fine information to improve deepfake detection. The proposed method involves extracting features from the frame, face, and key facial regions (i.e., lips, eyes, and nose) separately to explore the coarse-to-fine relationships. This approach enables us to capture inter-dependencies among facial regions using a channel-attention mechanism and deep triplet learning. We evaluated the proposed method on benchmark deepfake datasets in both intra-, inter-dataset, and inter-manipulation settings. The proposed method achieves an average AUC of 98.42\% on FF++, 79.80\% on CDF1, 85.34\% on CDF2, 89.41\% on DFD, 84.07\% on DFDC, 95.62\% on DTIM, 80.76\% on PDD, and 100\% on WLDR, respectively. The results demonstrate that our approach generalizes effectively and achieves promising performance to outperform the existing methods.
• Abstract（参考訳）: マルチメディアデータ、特に画像やビデオは、監視、視覚的相互作用、生体認証、証拠収集、広告など、様々なアプリケーションに不可欠なものである。 しかし、素人や熟練した偽造者はそれらをシミュレートしてディープフェイクを作ることができる。 この課題に対処するため、コンテンツの信頼性を確保するために、いくつかの法医学的手法が開発されている。 これらの手法の有効性は、操作の多様な性質から生じる課題に焦点をあてることに依存する。 本稿では、既存の法医学的手法を分析し、フレーム、顔、唇、目、鼻などの特定の顔領域に焦点をあてることで、ディープフェイクの痕跡を検出する際、それぞれの手法が独自の強度を持っていることを観察する。 これらの知見を踏まえ、我々は階層的特徴表現(HFR$)に基づくFace2Partsと呼ばれる新しいハイブリッドアプローチを提案する。 提案手法では, フレーム, 顔, キー顔領域(唇, 目, 鼻など)を別々に抽出し, 粗い関係を探索する。 このアプローチにより,チャネルアテンション機構と深部三重項学習を用いて,顔領域間の依存性を捉えることができる。 提案手法は, イントラデータセット, イントラデータセット, 操作間設定の両方において, ディープフェイクデータセットのベンチマークを行った。 提案手法は, FF++ では 98.42\%, CDF1 では 79.80\%, CDF2 では 85.34\%, DFD では 89.41\%, DFDC では 84.07\%, DTIM では 95.62\%, PDD では 80.76\%, WLDR では 100\% となる。 その結果,提案手法は効果的に一般化され,既存の手法よりも優れた性能が得られることが示された。

関連論文リスト

• FAME: A Lightweight Spatio-Temporal Network for Model Attribution of Face-Swap Deepfakes [9.462613446025001]
  フェイスフェイクのDeepfakeビデオは、デジタルセキュリティ、プライバシー、メディアの整合性へのリスクが高まる。 FAMEは、異なる顔生成モデルに特有の微妙なアーティファクトをキャプチャするために設計されたフレームワークである。 結果は、FAMEが既存のメソッドを精度と実行時の両方で一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-06-13T05:47:09Z)
• Semantics-Oriented Multitask Learning for DeepFake Detection: A Joint Embedding Approach [77.65459419417533]
  本稿では,セマンティクス指向のDeepFake検出タスクをサポートする自動データセット拡張手法を提案する。 また,顔画像とラベル(テキストによる記述で示される)を併用して予測を行う。 提案手法は,DeepFake検出の一般化性を向上し,人間の理解可能な説明を提供することで,ある程度のモデル解釈を行う。
  論文  参考訳（メタデータ） (2024-08-29T07:11:50Z)
• 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)
• Explicit Correlation Learning for Generalizable Cross-Modal Deepfake Detection [33.20064862916194]
  本稿では,様々な生成シナリオに対する深度検出を向上するために,モーダル間相関の可能性について学ぶことを目的とする。 本手法では,コンテンツ情報に基づく相互相関をモデル化した相関蒸留タスクを提案する。 そこで本研究では,多種多種多様深度深度の検出を4世代に分けて評価するクロスモーダル深度データセットを提案する。
  論文  参考訳（メタデータ） (2024-04-30T00:25:44Z)
• 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)
• Learning Diversified Feature Representations for Facial Expression Recognition in the Wild [97.14064057840089]
  本稿では,CNN層が抽出した顔表情認識アーキテクチャの特徴を多様化する機構を提案する。 AffectNet,FER+,RAF-DBの3つの顔表情認識実験の結果,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-10-17T19:25:28Z)
• Detecting Deepfakes with Self-Blended Images [37.374772758057844]
  本稿では,深度情報を検出するために,SBI(Self-blended Image)と呼ばれる新しい合成トレーニングデータを提案する。 SBIは、単一のプリスタン画像から擬似ソースとターゲットイメージを混合して生成される。 我々は,FF++,CDF,DFD,DFDC,DFDCP,FFIWデータセットの最先端手法との比較を行った。
  論文  参考訳（メタデータ） (2022-04-18T15:44:35Z)
• FakeLocator: Robust Localization of GAN-Based Face Manipulations [19.233930372590226]
  本稿では,FakeLocatorと呼ばれる新しいアプローチを提案する。 これは、GANベースのフェイクローカライゼーション問題をグレースケールのフェイクネスマップで解決する最初の試みである。 人気の高いFaceForensics++,DFFDデータセット,および7種類の最先端のGANベースの顔生成手法による実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-01-27T06:15:01Z)

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。