論文の概要: DeFakeQ: Enabling Real-Time Deepfake Detection on Edge Devices via Adaptive Bidirectional Quantization

• arxiv url: http://arxiv.org/abs/2604.08847v1
• Date: Fri, 10 Apr 2026 01:09:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.622903
• Title: DeFakeQ: Enabling Real-Time Deepfake Detection on Edge Devices via Adaptive Bidirectional Quantization
• Title（参考訳）: DeFakeQ: 適応的双方向量子化によるエッジデバイス上でのリアルタイムディープフェイク検出の実現
• Authors: Xiangyu Li, Yujing Sun, Yuhang Zheng, Yuexin Ma, Kwok-Yan Lam,
• Abstract要約: ディープフェイク検出は現代のメディア法医学の基本的な構成要素となっている。 既存の手法の多くは計算集約的かつパラメータ重大であり、リソース制約されたエッジデバイスへの展開を制限する。 我々は、ディープフェイク検出に適した最初の量子化フレームワークであるDefakeQを提案し、エッジデバイスへのリアルタイム展開を可能にした。
• 参考スコア（独自算出の注目度）: 48.697244055197466
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deepfake detection has become a fundamental component of modern media forensics. Despite significant progress in detection accuracy, most existing methods remain computationally intensive and parameter-heavy, limiting their deployment on resource-constrained edge devices that require real-time, on-site inference. This limitation is particularly critical in an era where mobile devices are extensively used for media-centric applications, including online payments, virtual meetings, and social networking. Meanwhile, due to the unique requirement of capturing extremely subtle forgery artifacts for deepfake detection, state-of-the-art quantization techniques usually underperform for such a challenging task. These fine-grained cues are highly sensitive to model compression and can be easily degraded during quantization, leading to noticeable performance drops. This challenge highlights the need for quantization strategies specifically designed to preserve the discriminative features essential for reliable deepfake detection. To address this gap, we propose DefakeQ, the first quantization framework tailored for deepfake detectors, enabling real-time deployment on edge devices. Our approach introduces a novel adaptive bidirectional compression strategy that simultaneously leverages feature correlations and eliminates redundancy, achieving an effective balance between model compactness and detection performance. Extensive experiments across five benchmark datasets and eleven state-of-the-art backbone detectors demonstrate that DeFakeQ consistently surpasses existing quantization and model compression baselines. Furthermore, we deploy DefakeQ on mobile devices in real-world scenarios, demonstrating its capability for real-time deepfake detection and its practical applicability in edge environments.
• Abstract（参考訳）: ディープフェイク検出は現代のメディア法医学の基本的な構成要素となっている。 検出精度の大幅な進歩にもかかわらず、既存の手法の多くは計算集約的でパラメータ重大であり、リアルタイムのオンサイト推論を必要とするリソース制約のエッジデバイスへの展開を制限する。 この制限は、モバイル機器がオンライン支払い、仮想会議、ソーシャルネットワークなど、メディア中心のアプリケーションに広く利用されている時代において特に重要である。 一方、ディープフェイク検出のために非常に微妙な偽造品を捕獲するというユニークな要件のため、最先端の量子化技術は通常、このような困難な作業では不十分である。 これらの微細なキューはモデル圧縮に非常に敏感であり、量子化時に容易に劣化し、顕著な性能低下をもたらす。 この課題は、信頼性の高いディープフェイク検出に不可欠な識別機能を維持するために特別に設計された量子化戦略の必要性を強調している。 このギャップに対処するために、我々は、ディープフェイク検出器に適した最初の量子化フレームワークであるDefakeQを提案し、エッジデバイスへのリアルタイムデプロイメントを可能にした。 提案手法では,特徴相関を同時に活用し,冗長性を排除し,モデルコンパクト性と検出性能の効果的なバランスを実現する。 5つのベンチマークデータセットと11の最先端バックボーン検出器による大規模な実験は、DeFakeQが既存の量子化とモデル圧縮ベースラインを一貫して上回っていることを示している。 さらに,実世界のシナリオでモバイルデバイスにDefakeQをデプロイし,リアルタイムのディープフェイク検出とエッジ環境への適用性を示す。

関連論文リスト

• Patch-Discontinuity Mining for Generalized Deepfake Detection [18.30761992906741]
  ディープフェイク検出法は、しばしば手作りの法医学的手がかりと複雑なアーキテクチャに依存している。 我々は,強力な視覚モデルをコンパクトで巧妙なネットワーク設計でディープフェイク検出タスクに転送するフレームワークであるGenDFを提案する。 実験により、GenDFはクロスドメインおよびクロスマニピュレーション設定における最先端の一般化性能を達成することが示された。
  論文  参考訳（メタデータ） (2025-12-26T13:18:14Z)
• Real-Time Machine Learning for Embedded Anomaly Detection [0.0]
  リソース制約のあるモノのインターネット環境と組み込みデバイスの普及は、エッジで発生する異常のリアルタイム検出に圧力をかけています。 本調査では,レイテンシ,メモリ,消費電力に極めて厳しい制約を課したデバイス上の異常検出を目的とした機械学習手法の概要について述べる。
  論文  参考訳（メタデータ） (2025-12-22T13:27:23Z)
• Towards Sustainable Universal Deepfake Detection with Frequency-Domain Masking [17.153540024060483]
  ユニバーサルディープフェイク検出は、目に見えないものを含む、幅広い生成モデルにわたるAI生成画像を特定することを目的としている。 これは新鮮で目に見えないディープフェイクへの堅牢な一般化を必要とし、頻繁に現れる。 本研究では,ディープフェイク検出器のトレーニング戦略として周波数領域マスキングを検討する。
  論文  参考訳（メタデータ） (2025-12-08T21:08:25Z)
• A Spatial-Frequency Aware Multi-Scale Fusion Network for Real-Time Deepfake Detection [6.875468802805521]
  本稿では,リアルタイムディープフェイク検出のための軽量で効果的なアーキテクチャを提案する。 空間テクスチャと周波数アーティファクトを併用した空間周波数ハイブリッド認識モジュールを設計する。 いくつかのベンチマークデータセットの実験では、SFMFNetは精度と効率のバランスを良好に達成し、リアルタイムアプリケーションに対して強力な一般化と実用的な価値を達成している。
  論文  参考訳（メタデータ） (2025-08-28T05:55:28Z)
• Robust AI-Generated Face Detection with Imbalanced Data [10.360215701635674]
  現在のディープフェイク検出技術は、ローカルアーティファクトに焦点を当てたCNNベースの手法から、CLIPのようなビジョントランスフォーマーやマルチモーダルモデルを使ったより高度なアプローチへと進化してきた。 近年の進歩にもかかわらず、最先端のディープフェイク検出器は、新しい生成モデルからの分布シフトを扱う上で大きな課題に直面している。 動的損失再重み付けとランキングに基づく最適化を組み合わせたフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-04T17:02:10Z)
• 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)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Depthwise Non-local Module for Fast Salient Object Detection Using a Single Thread [136.2224792151324]
  本稿では,高速な物体検出のための新しいディープラーニングアルゴリズムを提案する。 提案アルゴリズムは,1つのCPUスレッドと同時に,競合精度と高い推論効率を実現する。
  論文  参考訳（メタデータ） (2020-01-22T15:23:48Z)

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。