論文の概要: Which Face and Whose Identity? Solving the Dual Challenge of Deepfake Proactive Forensics in Multi-Face Scenarios

• arxiv url: http://arxiv.org/abs/2604.26342v1
• Date: Wed, 29 Apr 2026 06:50:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.27894
• Title: Which Face and Whose Identity? Solving the Dual Challenge of Deepfake Proactive Forensics in Multi-Face Scenarios
• Title（参考訳）: どの顔と誰の身元がわかるか : 多面シナリオにおけるDeepfake Proactive Forensicsのデュアルチャレンジの解決
• Authors: Lei Zhang, Zhiqing Guo, Dan Ma, Gaobo Yang,
• Abstract要約: Deep Attributable Watermarking Framework (DAWF)は、新しい多面エンコーダデコーダアーキテクチャである。 複雑な多人数シーンにおいて,DAWFは優れたディープフェイク・ローカライゼーションとトレーサビリティを実現する。
• 参考スコア（独自算出の注目度）: 17.56622675486302
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unlike single-face forgeries, deepfakes in complex multi-person interaction scenarios (such as group photos and multi-person meetings) more closely reflect real-world threats. Although existing proactive forensics solutions demonstrate good performance, they heavily rely on a "single-face" setting, making it difficult to effectively address the problems of deepfake localization and source tracing in complex multi-person environments. To address this challenge, we propose the Deep Attributable Watermarking Framework (DAWF). This framework adopts a novel multi-face encoder-decoder architecture that bypasses the cumbersome offline pre-processing steps of traditional forensics, facilitating efficient in-network parallel watermark embedding and cross-face collaborative processing. Crucially, we propose a selective regional supervision loss. This innovative mechanism guides the decoder to focus exclusively on the facial regions tampered with by deepfakes. Leveraging this mechanism alongside the embedded identity payloads, DAWF realizes the "which + who" goal, answering the dual questions of which facial region was forged and who was forged. Extensive experiments on challenging multi-face datasets show that DAWF achieves excellent deepfake localization and traceability in complex multi-person scenes.
• Abstract（参考訳）: シングルフェイスフォージェリーとは異なり、グループ写真やマルチパーソンミーティングのような複雑なマルチパーソンインタラクションシナリオにおけるディープフェイクは、現実世界の脅威をより深く反映している。 既存のプロアクティブな法医学ソリューションは優れた性能を示すが、それらは「単一顔」設定に大きく依存しており、複雑な多人数環境におけるディープフェイクのローカライゼーションとソーストレースの問題を効果的に解決することは困難である。 この課題に対処するため、我々はDeep Attributable Watermarking Framework (DAWF)を提案する。 このフレームワークは、従来の法医学の面倒なオフライン前処理ステップを回避し、効率的なネットワーク内並列透かし埋め込みとクロスフェイス協調処理を容易にする、新しいマルチフェイスエンコーダ・デコーダアーキテクチャを採用している。 重要な点として、我々は選択的地域監督損失を提案する。 この革新的なメカニズムは、ディープフェイクによって改ざんされた顔領域のみに集中するようにデコーダを誘導する。 このメカニズムを組み込みIDペイロードと併用することで、DAWFは、どの顔領域が偽造され、誰が偽造されたかという2つの疑問に答える、"誰+誰"という目標を実現する。 課題のある多面的データセットに対する大規模な実験により、複雑な多面的シーンにおいて、DAWFは優れたディープフェイクなローカライゼーションとトレーサビリティを実現することが示された。

関連論文リスト

• Optimizing ID Consistency in Multimodal Large Models: Facial Restoration via Alignment, Entanglement, and Disentanglement [54.199726425201895]
  大規模モデルのマルチモーダル編集は、様々なタスクにまたがる強力な編集機能を示している。 現在の顔認証保存法は、顔認証と編集済み要素IPの整合性回復に苦慮している。 そこで我々は,頑健なアイデンティティ特異的顔復元のためのアライメント・ディスタングルメント・アンタングルメント・フレームワークであるEditedIDを提案する。
  論文  参考訳（メタデータ） (2026-02-21T08:24:42Z)
• Unmasking Facial DeepFakes: A Robust Multiview Detection Framework for Natural Images [1.5049442691806052]
  顔の特徴を複数のレベルで分析することで、ディープフェイク検出を強化するマルチビューアーキテクチャを提案する。 提案手法は,3つの特殊エンコーダ,境界不整合を検出するグローバルビューエンコーダ,テクスチャと色調を解析する中間ビューエンコーダ,表情領域の歪みを捉えるローカルビューエンコーダを統合した。 これらのエンコーダから特徴を融合させることにより、難易度の高いポーズや照明条件下であっても、操作された画像の検出において優れた性能が得られる。
  論文  参考訳（メタデータ） (2025-10-17T12:16:04Z)
• Towards Real-World Deepfake Detection: A Diverse In-the-wild Dataset of Forgery Faces [39.505403756048445]
  我々はRedFace(Real-world-oriented Deepfake Face)を紹介した。 RedFaceは、6万以上の偽造画像と、本物の顔の特徴から派生した1000の操作されたビデオで構成されている。 以前のベンチマークとは異なり、RedFaceは9つの商用オンラインプラットフォームを使用して、"荒野"で見つかった最新のディープフェイク技術を統合する。
  論文  参考訳（メタデータ） (2025-10-09T10:54:38Z)
• From Large Angles to Consistent Faces: Identity-Preserving Video Generation via Mixture of Facial Experts [69.44297222099175]
  顔の特徴の異なるが相互に強化された側面を捉えた顔専門家の混合(MoFE)を導入する。 データセットの制限を軽減するため、私たちは、Face ConstraintsとIdentity Consistencyという2つの重要な側面を中心としたデータ処理パイプラインを調整しました。 我々は、既存のオープンソースヒューマンビデオデータセットからLFA(Large Face Angles)データセットをキュレートし、洗練しました。
  論文  参考訳（メタデータ） (2025-08-13T04:10:16Z)
• Cross-Branch Orthogonality for Improved Generalization in Face Deepfake Detection [43.2796409299818]
  ディープフェイクは法執行機関や一般大衆にとって迷惑になっている。 既存のディープフェイク検出器は、ディープフェイク生成のペースの改善に追随するのに苦労している。 本稿では,粗い空間情報,意味情報,それらの相互作用を活用する新しい戦略を提案する。
  論文  参考訳（メタデータ） (2025-05-08T01:49:53Z)
• DeepFidelity: Perceptual Forgery Fidelity Assessment for Deepfake Detection [67.3143177137102]
  ディープフェイク検出(Deepfake detection)とは、画像やビデオにおいて、人工的に生成された顔や編集された顔を検出すること。 本稿では,実顔と偽顔とを適応的に識別するDeepFidelityという新しいDeepfake検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-07T07:19:45Z)
• COMICS: End-to-end Bi-grained Contrastive Learning for Multi-face Forgery Detection [56.7599217711363]
  顔偽造認識法は一度に1つの顔しか処理できない。 ほとんどの顔偽造認識法は一度に1つの顔しか処理できない。 マルチフェイスフォージェリ検出のためのエンドツーエンドフレームワークであるCOMICSを提案する。
  論文  参考訳（メタデータ） (2023-08-03T03:37:13Z)
• Robust Facial Landmark Detection by Cross-order Cross-semantic Deep Network [58.843211405385205]
  顔のランドマーク検出を堅牢にするためのセマンティックな特徴学習を促進するために,クロスオーダー・クロスセマンティック・ディープ・ネットワーク(CCDN)を提案する。 具体的には、より識別的な表現学習のためのクロスオーダーチャネル相関を導入するために、クロスオーダー2列マルチ励起(CTM)モジュールを提案する。 新しいクロス・オーダー・クロス・セマンティック・レギュレータ (COCS) は、顔のランドマーク検出のために異なるアクティベーションからクロス・オーダーのクロス・セマンティック特徴を学習するためにネットワークを駆動するように設計されている。
  論文  参考訳（メタデータ） (2020-11-16T08:19:26Z)

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。