論文の概要: LAA-X: Unified Localized Artifact Attention for Quality-Agnostic and Generalizable Face Forgery Detection

• arxiv url: http://arxiv.org/abs/2604.04086v1
• Date: Sun, 05 Apr 2026 12:08:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.910583
• Title: LAA-X: Unified Localized Artifact Attention for Quality-Agnostic and Generalizable Face Forgery Detection
• Title（参考訳）: LAA-X:品質に依存しない一般化可能な顔偽造検出のための一元的局所アーチファクト注意
• Authors: Dat Nguyen, Enjie Ghorbel, Anis Kacem, Marcella Astrid, Djamila Aouada,
• Abstract要約: Localized Artifact Attention X (LAA-X)は、新しいディープフェイク検出フレームワークである。 高品質な偽造品には頑丈で、目に見えない操作を一般化することができる。
• 参考スコア（独自算出の注目度）: 25.40215279086399
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this paper, we propose Localized Artifact Attention X (LAA-X), a novel deepfake detection framework that is both robust to high-quality forgeries and capable of generalizing to unseen manipulations. Existing approaches typically rely on binary classifiers coupled with implicit attention mechanisms, which often fail to generalize beyond known manipulations. In contrast, LAA-X introduces an explicit attention strategy based on a multi-task learning framework combined with blending-based data synthesis. Auxiliary tasks are designed to guide the model toward localized, artifact-prone (i.e., vulnerable) regions. The proposed framework is compatible with both CNN and transformer backbones, resulting in two different versions, namely, LAA-Net and LAA-Former, respectively. Despite being trained only on real and pseudo-fake samples, LAA-X competes with state-of-the-art methods across multiple benchmarks. Code and pre-trained weights for LAA-Net\footnote{https://github.com/10Ring/LAA-Net} and LAA-Former\footnote{https://github.com/10Ring/LAA-Former} are publicly available.
• Abstract（参考訳）: 本稿では,高品質な偽造品に対して堅牢で,目に見えない操作を一般化できる新しいディープフェイク検出フレームワークであるLocalized Artifact Attention X (LAA-X)を提案する。 既存のアプローチは通常、暗黙の注意機構と結合したバイナリ分類器に依存しており、既知の操作以上の一般化に失敗することが多い。 対照的に、LAA-Xは、ブレンディングベースのデータ合成と組み合わせたマルチタスク学習フレームワークに基づく明確な注意戦略を導入している。 補助的なタスクは、モデルをローカライズされたアーティファクト(脆弱性のある)領域へ導くように設計されている。 提案するフレームワークはCNNとトランスフォーマーのバックボーンの両方と互換性があり、それぞれLAA-NetとLAA-Formerという2つの異なるバージョンが存在する。 実際のサンプルと擬似フェイクのサンプルでのみトレーニングされているにもかかわらず、LAA-Xは複数のベンチマークで最先端のメソッドと競合する。 LAA-Net\footnote{https://github.com/10Ring/LAA-Net} と LAA-Former\footnote{https://github.com/10Ring/LAA-Former} のコードと事前トレーニングウェイトが公開されている。

関連論文リスト

• One Language-Free Foundation Model Is Enough for Universal Vision Anomaly Detection [65.11602552904456]
  Universal Visual Anomaly Detection (AD) は、オープンかつダイナミックなシナリオに向けて、異常画像とセグメント異常領域を識別することを目的としている。 現在の手法は、複雑なプロンプトエンジニアリング、精巧な適応モジュール、そして挑戦的な訓練戦略に苦しむことが多い。 本稿では,Universal Vision Anomaly Detection(UniADet)のための,恥ずかしいほどシンプルで汎用的で効果的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-09T06:05:18Z)
• ESCA: Contextualizing Embodied Agents via Scene-Graph Generation [47.008144510161486]
  本研究では,空間的時間的シーングラフの認識を基盤として,エンボディーズエージェントを文脈的に認識するフレームワークであるESCAを提案する。 コアとなるSGCLIPは、シーングラフを生成するための、新しく、オープンドメインで、プロンプト可能な基盤モデルである。 SGCLIPは、プロンプトベースの推論とタスク固有の微調整の両方で優れており、シーングラフ生成とアクションローカライゼーションベンチマークにおける最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-10-11T20:13:59Z)
• AxBench: Steering LLMs? Even Simple Baselines Outperform Sparse Autoencoders [73.37603699731329]
  ステアリングと概念検出のための大規模ベンチマークであるAxBenchを紹介する。 ステアリングでは、すべての既存のメソッドを高速に処理し、次いで微調整する。 概念検出では、差分のような表現に基づく手法が最善を尽くす。
  論文  参考訳（メタデータ） (2025-01-28T18:51:24Z)
• Out-Of-Distribution Detection for Audio-visual Generalized Zero-Shot Learning: A General Framework [1.5229257192293202]
  Generalized Zero-Shot Learning (GZSL) は、目に見えないクラスと見えないクラスの両方を正確に分類する必要がある課題である。 両手法の強みを生かし, 配当外分布検出(OOD)を用いた汎用フレームワークを提案する。 我々は,3つの人気オーディオ・ビジュアル・データセット上でフレームワークをテストし,既存の最先端技術と比較した大幅な改善を観察する。
  論文  参考訳（メタデータ） (2024-08-02T14:10:20Z)
• LAA-Net: Localized Artifact Attention Network for Quality-Agnostic and Generalizable Deepfake Detection [12.567069964305265]
  本稿では,LAA-Net(Localized Artifact Attention Network)と呼ばれる高品質なディープフェイク検出手法を提案する。 高品質なディープフェイク検出のための既存の方法は、主に暗黙の注意機構を備えた教師付きバイナリ分類器に基づいている。 いくつかのベンチマークで行った実験は、AUC(Area Under the Curve)とAP(Average Precision)の観点から、我々のアプローチの優位性を示している。
  論文  参考訳（メタデータ） (2024-01-24T23:42:08Z)
• DETR Doesn't Need Multi-Scale or Locality Design [69.56292005230185]
  本稿では,"プレーン"特性を維持できる改良型DETR検出器を提案する。 特定の局所性制約を伴わずに、単一スケールの機能マップとグローバルなクロスアテンション計算を使用する。 マルチスケールな特徴マップと局所性制約の欠如を補うために,2つの単純な技術が平易な設計において驚くほど効果的であることを示す。
  論文  参考訳（メタデータ） (2023-08-03T17:59:04Z)
• Bidirectional Generative Framework for Cross-domain Aspect-based Sentiment Analysis [68.742820522137]
  クロスドメインアスペクトベースの感情分析(ABSA)は、ソースドメインから知識を伝達することで、ターゲットドメイン上で様々なきめ細かい感情分析タスクを実行することを目的としている。 本稿では,多様なドメイン間ABSAタスクに対処するための統合双方向生成フレームワークを提案する。 我々のフレームワークは、テキストからラベルまでの方向とラベルからテキストへの方向の両方で生成モデルを訓練する。
  論文  参考訳（メタデータ） (2023-05-16T15:02:23Z)
• Collaborative Propagation on Multiple Instance Graphs for 3D Instance Segmentation with Single-point Supervision [63.429704654271475]
  本稿では,1つのオブジェクトを1つのポイントでラベル付けするだけでよい,弱教師付き手法RWSegを提案する。 これらの疎いラベルにより、セマンティック情報とインスタンス情報を伝達する2つの分岐を持つ統一的なフレームワークを導入する。 具体的には、異なるインスタンスグラフ間の競合を促進するクロスグラフ競合ランダムウォークス(CRW)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-10T02:14:39Z)

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。