論文の概要: Enhancing Self-Supervised Talking Head Forgery Detection via a Training-Free Dual-System Framework

• arxiv url: http://arxiv.org/abs/2605.03390v1
• Date: Tue, 05 May 2026 05:50:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.789928
• Title: Enhancing Self-Supervised Talking Head Forgery Detection via a Training-Free Dual-System Framework
• Title（参考訳）: 訓練自由なデュアルシステム・フレームワークによる自己監督型トーキング・フォージェリー検出の強化
• Authors: Ke Liu, Jiwei Wei, Shuchang Zhou, Yutong Xiao, Ruikun Chai, Yitong Qin, Yuyang Zhou, Yang Yang,
• Abstract要約: 監視された頭部偽造検出は、ジェネレータの継続的な進化による深刻な一般化の課題に直面している。 既存の研究は主に強力な検出器の構築に焦点を当てているが、訓練された検出器の識別能力は依然として十分に活用されていない。 本稿では,既存のスコアベース自己監視検出器の潜在的識別能力をさらに活用するために,TFDS(Training-Free Dual-System)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）: 15.980589558450829
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Supervised talking head forgery detection faces severe generalization challenges due to the continuous evolution of generators. By reducing reliance on generator-specific forgery patterns, self-supervised detectors offer stronger cross-generator robustness. However, existing research has mainly focused on building stronger detectors, while the discriminative capacity of trained detectors remains insufficiently exploited. In particular, for score-based self-supervised detectors, the limited discriminative ability on hard cases is often reflected in unreliable anomaly ordering, leaving room for further refinement. Motivated by this observation, we draw inspiration from the dual-system theory of human cognition and propose a Training-Free Dual-System (TFDS) framework to further exploit the latent discriminative capacity of existing score-based self-supervised detectors. TFDS treats anomaly-like scores as the basis of System-1, using lightweight threshold-based routing to partition samples into confident and uncertain subsets. System-2 then revisits only the uncertain subset, performing fine-grained evidence-guided reasoning to refine the relative ordering of ambiguous samples within the original score distribution. Extensive experiments demonstrate consistent improvements across datasets and perturbation settings, with the gains arising mainly from corrected ordering within the uncertain subset. These findings show that existing self-supervised talking head forgery detectors still contain underexploited discriminative cues that can be effectively unlocked through training-free dual-system reasoning.
• Abstract（参考訳）: 監視された頭部偽造検出は、ジェネレータの継続的な進化による深刻な一般化の課題に直面している。 発電機固有のフォージェリーパターンへの依存を減らすことで、自己監督型検出器はより強力なクロスジェネレータロバスト性を提供する。 しかし、既存の研究は主に強力な検出器の構築に焦点を当てているが、訓練された検出器の識別能力は依然として十分に活用されていない。 特に、スコアベースの自己監視検出器では、ハードケースにおける限定的な識別能力は、信頼性の低い異常順序に反映され、さらなる改善の余地を残している。 本研究の目的は、人間の認知の二重系理論からインスピレーションを得て、既存のスコアベース自己監視検出器の潜在的識別能力をさらに活用するためのトレーニング自由デュアルシステム(TFDS)フレームワークを提案することである。 TFDSは、異常のようなスコアをSystem-1の基礎として扱い、軽量なしきい値ベースのルーティングを使用して、サンプルを確実で不確実なサブセットに分割する。 システム2は、不確実な部分集合のみを再検討し、元のスコア分布内のあいまいなサンプルの相対順序を洗練させるために、きめ細かい証拠誘導推論を行う。 大規模な実験では、データセットと摂動設定の間で一貫した改善が示されており、主に不確実なサブセット内の修正順序から得られる。 これらの結果から,既存の音声頭部偽造検出装置には,訓練不要な二重系推論によって効果的に解錠できる未発見の識別手がかりが残っていることが示唆された。

関連論文リスト

• Beyond Nodes vs. Edges: A Multi-View Fusion Framework for Provenance-Based Intrusion Detection [6.343815622517112]
  PROVfusionは、証明に基づく侵入検知のための多視点異常融合フレームワークである。 軽量な融合スキームを通じて異種異常信号を融合し、投票ベースの統合プロセスを通じて最終的な異常決定を決定する。 広く使用されている9つのベンチマークエンティティデータセットの実験では、PROVfusionは単一ノードとエッジ中心のベースラインよりも高い検出精度と偽陽性率を実現する。
  論文  参考訳（メタデータ） (2026-04-16T06:40:50Z)
• Search-R2: Enhancing Search-Integrated Reasoning via Actor-Refiner Collaboration [49.9937230730202]
  本稿では,新たなアクター・リファイナ・コラボレーション・フレームワークであるSearch-R2を提案する。 提案手法は,生成過程をアクターに分解し,最初の推論軌道を生成する。 本稿では,検索-R2がモデルスケール全体にわたって強力なRAGとRLベースのベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-02-03T15:32:09Z)
• Agentic Uncertainty Quantification [76.94013626702183]
  本稿では,言語化された不確実性をアクティブな双方向制御信号に変換する統合されたデュアルプロセスエージェントUQ(AUQ)フレームワークを提案する。 システム1(Uncertainty-Aware Memory, UAM)とシステム2(Uncertainty-Aware Reflection, UAR)は、これらの説明を合理的な手段として利用し、必要な時にのみターゲットの推論時間解決をトリガーする。
  論文  参考訳（メタデータ） (2026-01-22T07:16:26Z)
• Noise & pattern: identity-anchored Tikhonov regularization for robust structural anomaly detection [58.535473924035365]
  異常検出は自動産業検査において重要な役割を担い、他の均一な視覚パターンの微妙な欠陥や稀な欠陥を識別することを目的としている。 自己教師型オートエンコーダを用いて, 破損した入力の修復を学習する構造的異常検出に取り組む。 構造欠陥を模倣した画像に人工的破壊を注入する汚職モデルを導入する。
  論文  参考訳（メタデータ） (2025-11-10T15:48:50Z)
• Advancing Machine-Generated Text Detection from an Easy to Hard Supervision Perspective [108.30620357325559]
  既存の機械生成テキスト(MGT)検出手法は、ラベルを「黄金標準」として暗黙的に仮定する このような不正確な条件下での信頼性の高い監視を実現するための,容易かつハードな強化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-02T15:59:31Z)
• Dual-Mode Deep Anomaly Detection for Medical Manufacturing: Structural Similarity and Feature Distance [2.467339701756281]
  本稿では,2つの注意誘導型オートエンコーダアーキテクチャを提案する。 1つ目は、軽量でリアルタイムな欠陥検出を可能にする構造的類似性に基づくスコアリングアプローチである。 第二に、Mahalanobis を用いた特徴距離ベースの戦略を、遅延特性の低減に応用する。
  論文  参考訳（メタデータ） (2025-09-06T18:17:40Z)
• Lie Detector: Unified Backdoor Detection via Cross-Examination Framework [68.45399098884364]
  半正直な設定で一貫したバックドア検出フレームワークを提案する。 本手法は,SoTAベースラインよりも5.4%,1.6%,11.9%の精度で検出性能が向上する。 特に、マルチモーダルな大規模言語モデルにおいて、バックドアを効果的に検出するのは、これが初めてである。
  論文  参考訳（メタデータ） (2025-03-21T06:12:06Z)
• AnomalyAID: Reliable Interpretation for Semi-supervised Network Anomaly Detection [8.776201861433133]
  AnomalyAIDは、異常検出プロセスを解釈し、解釈結果の信頼性を向上させることを目的としている。 本稿では,グローバル・ローカル・インタプリタを利用した新しい解釈手法を提案する。 両段階のモデル予測を特別な制約に合わせることで,ネットワーク異常検出のための新たな2段階半教師付き学習フレームワークを設計する。
  論文  参考訳（メタデータ） (2024-11-18T05:39:00Z)
• RCC-Dual-GAN: An Efficient Approach for Outlier Detection with Few Identified Anomalies [11.02452262854759]
  外乱検出はデータマイニングにおいて重要な課題であり、様々な用途で多くの技術が研究されている。 本稿では,特定異常の潜在的な情報を直接利用し,個別の異常を同時に検出できる新しい検出モデルDual-GANを提案する。 さらに、ナッシュ平衡の評価と最適モデルの選定に対処するため、2つのモデルに2つの評価指標を作成し、検出プロセスをよりインテリジェントにするために導入する。
  論文  参考訳（メタデータ） (2020-03-07T17:13:52Z)

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。