論文の概要: Omni-Fake: Benchmarking Unified Multimodal Social Media Deepfake Detection

• arxiv url: http://arxiv.org/abs/2605.01638v1
• Date: Sat, 02 May 2026 22:56:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.861677
• Title: Omni-Fake: Benchmarking Unified Multimodal Social Media Deepfake Detection
• Title（参考訳）: Omni-Fake: マルチモーダルなソーシャルメディアディープフェイク検出のベンチマーク
• Authors: Tianxiao Li, Zhenglin Huang, Haiquan Wen, Yiwei He, Xinze Li, Bingyu Zhu, Wuhui Duan, Congang Chen, Zeyu Fu, Yi Dong, Baoyuan Wu, Jason Li, Guangliang Cheng,
• Abstract要約: ソーシャルメディアでは、マルチモーダルなディープフェイクが急増している。 既存のベンチマークは、単一のモダリティの範囲、単純化された操作、非現実的な分布によって制約される。 ソーシャルメディア設定における総合的なマルチモーダルディープフェイク検出のためのオムニ・フェイク(Omni-Fake)を提案する。
• 参考スコア（独自算出の注目度）: 42.81849035175321
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal deepfakes are proliferating on social media and threaten authenticity, information integrity, and digital forensics. Existing benchmarks are constrained by their single-modality scope, simplified manipulations, or unrealistic distributions, which limit their ability to assess real-world robustness. To address these limitations, we present Omni-Fake, a unified omni-dataset for comprehensive multimodal deepfake detection in social-media settings. It comprises Omni-Fake-Set, a large-scale, high-quality dataset with 1M+ samples, and Omni-Fake-OOD, an out-of-distribution benchmark with 200k+ samples intentionally excluded from training to evaluate generalization. Omni-Fake spans four modalities (image, audio, video, and audio-video talking head) and supports a joint detection-localization-explanation protocol. On top of Omni-Fake, we further propose Omni-Fake-R1, a reinforcement-learning-driven multimodal detector that adaptively integrates visual and auditory cues and outputs structured decisions, localization, and natural-language explanations. Extensive experiments show significant gains in detection accuracy, cross-modal generalization, and explainability over state-of-the-art baselines. Project page: https://tianxiao1201.github.io/omni-fake-project-page/
• Abstract（参考訳）: マルチモーダルディープフェイクはソーシャルメディア上で増加しており、真正性、情報の完全性、およびデジタル法医学を脅かしている。 既存のベンチマークは、単一のモダリティの範囲、単純化された操作、非現実的な分布によって制約され、現実世界の堅牢性を評価する能力を制限する。 これらの制約に対処するために、ソーシャルメディア設定における総合的なマルチモーダルディープフェイク検出のためのオムニ・フェイク(Omni-Fake)を統一したオムニ・フェイク(Omni-Fake)を提案する。 1M以上のサンプルを持つ大規模で高品質なデータセットであるOmni-Fake-Setと、200k以上のサンプルを意図的にトレーニングから除外して一般化を評価するアウト・オブ・ディストリビューションのベンチマークであるOmni-Fake-OODで構成されている。 Omni-Fakeは4つのモード(画像、音声、ビデオ、音声-ビデオ)にまたがり、共同検出-局所化-説明プロトコルをサポートする。 さらに,Omni-Fake-R1を提案する。Omni-Fake-R1は,視覚的および聴覚的手がかりを適応的に統合し,構造化決定,局所化,自然言語的説明を出力する強化学習駆動型マルチモーダル検出器である。 大規模な実験は、検出精度、クロスモーダル一般化、および最先端のベースラインに対する説明可能性において有意な向上を示した。 プロジェクトページ:https://tianxiao1201.github.io/omni-fake-project-page/

関連論文リスト

• OmniGAIA: Towards Native Omni-Modal AI Agents [103.79729735478924]
  我々は、深い推論とマルチターンツールの実行を必要とするタスクにおいて、オムニモーダルエージェントを評価するために設計されたベンチマークを導入する。 我々は,Omni-modal foundation agentであるOmniAtlasを提案する。
  論文  参考訳（メタデータ） (2026-02-26T11:35:04Z)
• Omni-Captioner: Data Pipeline, Models, and Benchmark for Omni Detailed Perception [97.32606786622728]
  我々は、データパイプライン、モデル、ベンチマークの観点から、Omniの詳細な認識を体系的で包括的に調査する。 ツールコールを統合したエージェントデータ生成パイプラインであるOmni-Detectiveを提案する。 Omni-Detectiveで生成されたデータに基づいて、2つのキャプションモデル:音声のみの詳細な知覚のためのオーディオ・キャプション・キャプション・モデルと、音声視覚による詳細な知覚のためのOmni-Captionerを訓練する。
  論文  参考訳（メタデータ） (2025-10-14T17:00:09Z)
• Towards Unified Multimodal Misinformation Detection in Social Media: A Benchmark Dataset and Baseline [56.790045049514326]
  詐欺の2つの主要な形態は、人造誤報とAI生成コンテンツである。 両形態の偽造を扱うためのフレームワークであるUMFDet(Unified Multimodal Fake Content Detection)を提案する。 UMFDetは、両方の誤情報型に対して堅牢で一貫したパフォーマンスを実現し、特殊ベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-09-30T09:26:32Z)
• OmnixR: Evaluating Omni-modality Language Models on Reasoning across Modalities [124.05360767047539]
  我々は、SoTA Omni-modality Language Modelsをベンチマークするために設計された評価スイートであるOmnixRを紹介する。 OLMはテキスト、ビジョン、オーディオなどの複数のモードを統合し、ユニークな課題を提示する。 実験の結果,OmnixR問題に対処するためには,複数のモダリティからの情報を統合する必要があることがわかった。
  論文  参考訳（メタデータ） (2024-10-16T04:29:46Z)

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。