論文の概要: Unveiling Deepfakes: A Frequency-Aware Triple Branch Network for Deepfake Detection

• arxiv url: http://arxiv.org/abs/2604.17477v1
• Date: Sun, 19 Apr 2026 15:08:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.546182
• Title: Unveiling Deepfakes: A Frequency-Aware Triple Branch Network for Deepfake Detection
• Title（参考訳）: ディープフェイクの除去:ディープフェイク検出のための周波数対応トリプル分岐ネットワーク
• Authors: Qihao Shen, Jiaxing Xuan, Zhenguang Liu, Sifan Wu, Yutong Xie, Zhaoyan Ming, Yingying Jiao, kui Ren,
• Abstract要約: 本稿では,空間的特徴と周波数的特徴を同時キャプチャする三分岐ネットワークを提案する。 相互情報理論に基づく特徴疎結合と融合損失を数学的に導出する。 我々の手法は一貫して最先端の性能を達成する。
• 参考スコア（独自算出の注目度）: 30.351747099395187
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advanced deepfake technologies are blurring the lines between real and fake, presenting both revolutionary opportunities and alarming threats. While it unlocks novel applications in fields like entertainment and education, its malicious use has sparked urgent ethical and societal concerns ranging from identity theft to the dissemination of misinformation. To tackle these challenges, feature analysis using frequency features has emergedas a promising direction for deepfake detection. However, oneaspect that has been overlooked so far is that existing methodstend to concentrate on one or a few specific frequency domains,which risks overfitting to particular artifacts and significantlyundermines their robustness when facing diverse forgery patterns. Another underexplored aspect we observe is that different features often attend to the same forged region, resulting in redundant feature representations and limiting the diversity of the extracted clues. This may undermine the ability of a model to capture complementary information across different facets, thereby compromising its generalization capability to diverse manipulations. In this paper, we seek to tackle these challenges from two aspects: (1) we propose a triple-branch network that jointly captures spatial and frequency features by learning from both original image and image reconstructed by different frequency channels, and (2) we mathematically derive feature decoupling and fusion losses grounded in the mutual information theory, which enhances the model to focus on task-relevant features across the original image and the image reconstructed by different frequency channels. Extensive experiments on six large-scale benchmark datasets demonstrate that our method consistently achieves state-of-the-art performance. Our code is released at https://github.com/injooker/Unveiling Deepfake.
• Abstract（参考訳）: 先進的なディープフェイク技術は、本物と偽物の境界を曖昧にし、革命的な機会と脅威を警告している。 エンターテイメントや教育などの分野における新しい応用を解き放つ一方で、その悪用は、アイデンティティの盗難から誤報の拡散に至るまで、緊急の倫理的・社会的懸念を引き起こしている。 これらの課題に対処するために、周波数特徴を用いた特徴分析がディープフェイク検出の有望な方向として登場した。 しかし、これまで見過ごされてきたのは、既存の手法が特定の周波数領域に1つまたは少数の集中することであり、それは特定のアーティファクトに過度に適合し、様々な偽造パターンに直面した際の頑丈さを著しく損なうことになる。 もう一つの未調査の側面は、異なる特徴がしばしば同じ偽の領域に付随し、冗長な特徴表現と抽出された手がかりの多様性を制限することである。 このことは、モデルが様々な面にまたがって補完情報をキャプチャする能力を損なう可能性があり、それによって様々な操作への一般化能力が向上する。 本稿では,(1)異なる周波数チャネルで再構成された原画像と画像の両方から学習することで,空間的特徴と周波数的特徴を同時キャプチャする三分岐ネットワークを提案し,(2)異なる周波数チャネルで再構成された特徴の分離と融合損失を数学的に導出する。 6つの大規模ベンチマークデータセットに対する大規模な実験は、我々の手法が常に最先端の性能を達成することを実証している。 私たちのコードはhttps://github.com/injooker/Unveiling Deepfake.comでリリースされています。

関連論文リスト

• Forgery Guided Learning Strategy with Dual Perception Network for Deepfake Cross-domain Detection [16.00906146901831]
  現在のディープフェイク検出方法は特定のデータセットでうまく機能するが、未知の偽造技術を持つデータセットに適用すると性能が低下する。 本稿では,検出ネットワークが未知のフォージェリ手法に継続的に適応できるように,FGL(Forgery Guided Learning)戦略を提案する。 また、偽トレース間の差異と関係をキャプチャするDual Perception Network(DPNet)を設計する。
  論文  参考訳（メタデータ） (2025-08-14T15:27:21Z)
• DiffFake: Exposing Deepfakes using Differential Anomaly Detection [16.528373143163275]
  本稿では,検出問題を異常検出タスクとしてアプローチする新しいディープフェイク検出器DiffFakeを提案する。 具体的には、DiffFakeは、差分異常検出フレームワークを利用することで、同一人物の2つの顔画像間の自然な変化を学習する。 提案手法は,最先端の競争相手の性能に適合し,時として超えうることを示す。
  論文  参考訳（メタデータ） (2025-02-22T14:50:53Z)
• Spatial-Frequency Discriminability for Revealing Adversarial Perturbations [53.279716307171604]
  敵の摂動に対するディープニューラルネットワークの脆弱性は、コンピュータビジョンコミュニティで広く認識されている。 現在のアルゴリズムは、通常、自然および敵対的なデータの識別的分解を通じて、敵のパターンを検出する。 空間周波数Krawtchouk分解に基づく識別検出器を提案する。
  論文  参考訳（メタデータ） (2023-05-18T10:18:59Z)
• Multimodal Graph Learning for Deepfake Detection [10.077496841634135]
  既存のディープフェイク検出器は、堅牢性と一般化を達成する上でいくつかの課題に直面している。 本稿では,マルチモーダルグラフ学習(MGL)という新しいフレームワークを提案する。 提案手法は,ディープフェイク検出のための特徴を効果的に識別し,活用することを目的としている。
  論文  参考訳（メタデータ） (2022-09-12T17:17:49Z)
• Deep Convolutional Pooling Transformer for Deepfake Detection [54.10864860009834]
  本研究では,局所的・グローバル的に決定的な画像特徴を取り入れた深部畳み込み変換器を提案する。 具体的には,抽出した特徴を充実させ,有効性を高めるために,畳み込みプーリングと再アテンションを適用した。 提案手法は、内部実験と相互データセット実験の両方において、最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2022-09-12T15:05:41Z)
• Beyond the Spectrum: Detecting Deepfakes via Re-Synthesis [69.09526348527203]
  ディープフェイク(Deepfakes)として知られる非常に現実的なメディアは、現実の目から人間の目まで区別できない。 本研究では,テスト画像を再合成し,検出のための視覚的手がかりを抽出する,新しい偽検出手法を提案する。 種々の検出シナリオにおいて,提案手法の摂動に対する有効性の向上,GANの一般化,堅牢性を示す。
  論文  参考訳（メタデータ） (2021-05-29T21:22:24Z)
• Multi-attentional Deepfake Detection [79.80308897734491]
  ディープフェイクによる顔の偽造はインターネットに広まり、深刻な社会的懸念を引き起こしている。 新たなマルチアテンテーショナルディープフェイク検出ネットワークを提案する。 具体的には,1)ネットワークを異なる局所的部分へ配置するための複数の空間的注意ヘッド,2)浅い特徴の微妙なアーティファクトをズームするテクスチャ的特徴拡張ブロック,3)低レベルなテクスチャ特徴と高レベルなセマンティクス特徴をアグリゲートする,の3つの構成要素からなる。
  論文  参考訳（メタデータ） (2021-03-03T13:56:14Z)

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。