論文の概要: Deepfake Detection Generalization with Diffusion Noise

• arxiv url: http://arxiv.org/abs/2604.14570v1
• Date: Thu, 16 Apr 2026 03:02:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.698671
• Title: Deepfake Detection Generalization with Diffusion Noise
• Title（参考訳）: 拡散雑音を用いたディープフェイク検出一般化
• Abstract要約: ディープフェイク検出器は、新しい画像合成技術が出現するにつれて、一般化の課題に直面している。 拡散モデルによって生成されたディープフェイクは、非常にフォトリアリスティックであり、しばしばGANベースのフォジェリーで訓練された検出器を回避している。 本稿では,事前学習した拡散モデルとディープフェイク検出パイプラインを統合したアテンション誘導型雑音学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 32.88112947781722
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deepfake detectors face growing challenges in generalization as new image synthesis techniques emerge. In particular, deepfakes generated by diffusion models are highly photorealistic and often evade detectors trained on GAN-based forgeries. This paper addresses the generalization problem in deepfake detection by leveraging diffusion noise characteristics. We propose an Attention-guided Noise Learning (ANL) framework that integrates a pre-trained diffusion model into the deepfake detection pipeline to guide the learning of more robust features. Specifically, our method uses the diffusion model's denoising process to expose subtle artifacts: the detector is trained to predict the noise contained in an input image at a given diffusion step, forcing it to capture discrepancies between real and synthetic images, while an attention-guided mechanism derived from the predicted noise is introduced to encourage the model to focus on globally distributed discrepancies rather than local patterns. By harnessing the frozen diffusion model's learned distribution of natural images, the ANL method acts as a form of regularization, improving the detector's generalization to unseen forgery types. Extensive experiments demonstrate that ANL significantly outperforms existing methods on multiple benchmarks, achieving state-of-the-art accuracy in detecting diffusion-generated deepfakes. Notably, the proposed framework boosts generalization performance (e.g., improving ACC/AP by a substantial margin on unseen models) without introducing additional overhead during inference. Our results highlight that diffusion noise provides a powerful signal for generalizable deepfake detection.
• Abstract（参考訳）: ディープフェイク検出器は、新しい画像合成技術が出現するにつれて、一般化の難しさに直面している。 特に拡散モデルによって生成されたディープフェイクは、非常にフォトリアリスティックであり、しばしばGANベースのフォジェリーで訓練された検出器を回避している。 本稿では拡散雑音特性を利用したディープフェイク検出における一般化問題に対処する。 本研究では,より堅牢な特徴の学習を支援するために,事前学習した拡散モデルを深度検出パイプラインに統合した意図誘導型雑音学習(ANL)フレームワークを提案する。 特に,本手法では, 拡散モデルのデノナイジングプロセスを用いて, 所定の拡散ステップにおいて入力画像に含まれるノイズを予測し, 実画像と合成画像とのずれを捉えるように訓練し, 予測ノイズから誘導される注意誘導機構を導入し, 局所的なパターンではなく, グローバルな分散不一致に集中するよう促す。 凍結拡散モデルの学習した自然画像の分布を利用することで、ANL法は正規化の一形態として機能し、検出器の一般化を目に見えない偽造型に改善する。 大規模な実験により、ANLは複数のベンチマークで既存の手法よりも大幅に優れており、拡散生成ディープフェイクの検出における最先端の精度を実現している。 特に、提案フレームワークは、推論中に追加のオーバーヘッドを発生させることなく、一般化性能(例えば、未確認モデルにおいてACC/APを大幅に改善する)を向上させる。 この結果から,拡散雑音は一般化可能なディープフェイク検出に強力な信号を与えることがわかった。

関連論文リスト

• Understanding Why Foundation Models Work for Diffusion-Generated Image Detection [17.35112221493337]
  本研究では,基礎モデルに基づく検出器を用いて,実際の画像と拡散生成画像とを識別する手法について検討する。 以上の結果から, 基礎モデルに基づく検出器は, 実画像と拡散画像の非意味な低-中間周波数分布の相違を捉えることに成功した。
  論文  参考訳（メタデータ） (2026-08-12T15:18:10Z)
• 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)
• DiffusionFF: Face Forgery Detection via Diffusion-based Artifact Localization [21.139016641596676]
  DiffusionFFは、拡散に基づくアーティファクトローカライゼーションによる顔偽造検出を強化する新しいフレームワークである。 本手法は,高次拡散モデルを用いて高次構造相似性(DSSIM)マップを生成し,微妙な操作の痕跡を効果的に捉える。
  論文  参考訳（メタデータ） (2025-08-03T18:06:04Z)
• Consistent World Models via Foresight Diffusion [56.45012929930605]
  我々は、一貫した拡散に基づく世界モデルを学習する上で重要なボトルネックは、最適下予測能力にあると主張している。 本稿では,拡散に基づく世界モデリングフレームワークであるForesight Diffusion(ForeDiff)を提案する。
  論文  参考訳（メタデータ） (2025-05-22T10:01:59Z)
• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• Diffusion Priors for Variational Likelihood Estimation and Image Denoising [10.548018200066858]
  本稿では,現実の雑音に対処するために,逆拡散過程における適応的確率推定とMAP推定を提案する。 実世界の多様なデータセットの実験と分析により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-10-23T02:52:53Z)
• DistilDIRE: A Small, Fast, Cheap and Lightweight Diffusion Synthesized Deepfake Detection [2.8934833311559816]
  拡散生成画像は、現在の検出技術に固有の課題をもたらす。 本研究では,拡散モデルに埋め込まれた知識を蒸留して,高速深度検出モデルを構築することを提案する。 実験の結果,既存のDIREフレームワークよりも3.2倍高速な推論速度が得られた。
  論文  参考訳（メタデータ） (2024-06-02T20:22:38Z)
• Digging into contrastive learning for robust depth estimation with diffusion models [55.62276027922499]
  そこで我々はD4RDと呼ばれる新しい頑健な深度推定法を提案する。 複雑な環境での性能劣化を軽減するために、拡散モデルに適した独自のコントラスト学習モードを備えている。 実験では、D4RDは合成汚職データセットや現実世界の気象条件に関する最先端のソリューションを超越している。
  論文  参考訳（メタデータ） (2024-04-15T14:29:47Z)
• Diffusion Noise Feature: Accurate and Fast Generated Image Detection [23.923353960316618]
  拡散雑音特徴(DNF)という新しい表現を提案する。 DNFは、人工的生成の指紋として機能する微妙で高周波のアーティファクトを増幅する。 提案手法は, 生成画像の検出において, 顕著な精度, 堅牢性, 一般化を実現する。
  論文  参考訳（メタデータ） (2023-12-05T10:01:11Z)
• Global Structure-Aware Diffusion Process for Low-Light Image Enhancement [64.69154776202694]
  本稿では,低照度画像強調問題に対処する拡散型フレームワークについて検討する。 我々は、その固有のODE-軌道の正規化を提唱する。 実験により,提案手法は低照度化において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2023-10-26T17:01:52Z)
• Frequency Compensated Diffusion Model for Real-scene Dehazing [6.105813272271171]
  本研究では,実ヘイズへの一般化を改善する条件付き拡散モデルに基づく脱ヘイズフレームワークについて考察する。 提案手法は, 実世界の画像において, 最先端の手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2023-08-21T06:50:44Z)
• ACDMSR: Accelerated Conditional Diffusion Models for Single Image Super-Resolution [84.73658185158222]
  本稿では,ACDMSRと呼ばれる拡散モデルに基づく超解像法を提案する。 提案手法は, 決定論的反復分解過程を通じて超解像を行うために, 標準拡散モデルに適応する。 提案手法は,低解像度画像に対してより視覚的に現実的な表現を生成し,現実的なシナリオにおけるその有効性を強調した。
  論文  参考訳（メタデータ） (2023-07-03T06:49:04Z)
• Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
  拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。 本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
  論文  参考訳（メタデータ） (2023-06-01T03:08:28Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)

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。