論文の概要: Only Train Once: Uncertainty-Aware One-Class Learning for Face Authenticity Detection

• arxiv url: http://arxiv.org/abs/2605.10040v2
• Date: Wed, 13 May 2026 00:56:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 17:13:58.849453
• Title: Only Train Once: Uncertainty-Aware One-Class Learning for Face Authenticity Detection
• Title（参考訳）: 一度に1回だけ:顔認証検出のための不確かさを意識したワンクラス学習
• Authors: Qingchao Jiang, Zhenxuan Hou, Zhiying Zhu, Zhenxing Qian, Xinpeng Zhang, Zaiwang Gu,
• Abstract要約: FADNetは、顔の偽造検出を一級分類タスクとして再構成する自己教師型フレームワークである。 Evidential Deep Learning (EDL) を組み込んで予測の不確実性を定量化し、プラグアンドプレイの擬似偽画像生成器 (PFIG) を用いて決定境界を絞り込む。 FADNetは既存のSOTA法を大幅に上回り、平均精度は96.63%、平均精度は98.83%である。
• 参考スコア（独自算出の注目度）: 37.21432992418335
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid evolution of generative paradigms has enabled the creation of highly realistic imagery, which escalating the risks of identity fraud and the dissemination of disinformation. Most existing approaches frame face forgery detection as a fully supervised binary classification problem. Consequently, these models typically exhibit significant performance decay when tasked with detecting forgeries from previously unseen generative paradigms. Furthermore, these methods focus exclusively on either DeepFakes or fully synthesized faces, thereby failing to provide a generalized framework for universal face forgery detection. In this paper, we address this challenge by introducing FADNet (Face Authenticity Detector Net), % a self-supervised framework that which reformulates face forgery detection as a one-class classification (OCC) task. By training exclusively on authentic facial data to capture their intrinsic representations, FADNet flags any image whose feature embedding deviates significantly from the learned distribution of real faces as a forgery. The framework incorporates Evidential Deep Learning (EDL) to quantify predictive uncertainty and utilizes a plug-and-play pseudo-forgery image generator (PFIG) to tighten decision boundaries around authentic data. Extensive experimental evaluations on the DF40 and ASFD benchmarks demonstrate that FADNet achieves superior performance and generalization capabilities. Specifically, FADNet substantially outperforms existing state-of-the-art (SOTA) methods, yielding a remarkable average accuracy of 96.63\% and an average precision of 98.83\%.
• Abstract（参考訳）: 生成パラダイムの急速な進化は、アイデンティティ詐欺のリスクと偽情報の拡散をエスカレートする、非常に現実的なイメージの作成を可能にした。 既存のほとんどのアプローチは、完全に教師付きバイナリ分類問題としてフレーム顔偽造検出を行っている。 その結果、これらのモデルは、以前は目に見えない生成パラダイムから偽造を検知するタスクを行うと、通常、顕著な性能低下を示す。 さらに、これらの手法はディープフェイクまたは完全に合成された顔にのみ焦点を合わせており、汎用的な顔偽造検出のためのフレームワークを提供していない。 本稿では,顔の偽造検出を一クラス分類(OCC)タスクとして再構成する自己教師型フレームワークであるFADNet(Face Authenticity Detector Net)を導入することで,この問題に対処する。 FADNetは、真正の顔データのみを訓練して、本質的な表現を捉え、その特徴が埋め込まれた画像は、偽として実際の顔の学習分布から著しく逸脱する。 このフレームワークは、EDL(Evidential Deep Learning)を組み、予測の不確実性を定量化し、プラグアンドプレイの擬似偽画像生成器(PFIG)を使用して、認証データに関する決定境界を厳格化する。 DF40 と ASFD ベンチマークの大規模な実験的評価は、FADNet が優れた性能と一般化能力を達成していることを示している。 具体的には、FADNetは既存の最先端技術(SOTA)法を大幅に上回り、平均精度96.63\%、平均精度98.83\%となる。

関連論文リスト

• Evidence-based Decision Modeling for Synthetic Face Detection with Uncertainty-driven Active Learning [37.21432992418335]
  EMSFD(Evidence-based decision Modeling for Synthetic Face Detection with uncertainty-driven active learning)を提案する。 提案手法は,既存のSOTAベースラインに比べて15%精度が向上する。
  論文  参考訳（メタデータ） (2026-05-11T03:33:22Z)
• CIPHER: Counterfeit Image Pattern High-level Examination via Representation [10.444553810902788]
  そこで我々はCIPHERというディープフェイク検出フレームワークを紹介した。 拡散モデルから ProGAN 識別器からスケール適応的特徴と時間整合性特徴を抽出することにより、CIPHER は従来の検出器がしばしば見落としている生成非依存のアーティファクトをキャプチャする。
  論文  参考訳（メタデータ） (2026-03-31T07:27:58Z)
• ExposeAnyone: Personalized Audio-to-Expression Diffusion Models Are Robust Zero-Shot Face Forgery Detectors [58.45131932883374]
  ビデオ中のディープフェイクを検出するための完全自己教師型アプローチを提案する。 本モデルでは,拡散再構成誤差を用いて,疑わしい映像とパーソナライズされた被写体との同一性距離を算出する。 本手法は, ボケや圧縮などの汚損に対して極めて堅牢であり, 現実の顔偽造検出への適用性を強調している。
  論文  参考訳（メタデータ） (2026-01-05T18:59:54Z)
• A Dual-Branch CNN for Robust Detection of AI-Generated Facial Forgeries [4.313893060699182]
  顔偽造技術は、AIセキュリティ、デジタルメディアの完全性、および公的な信頼に重大な脅威をもたらす。 顔偽造検出のための新しい二分岐畳み込みニューラルネットワークを提案する。 4つの代表法から生成された鍛造画像を含むDiFFベンチマークを用いて,本モデルの評価を行った。
  論文  参考訳（メタデータ） (2025-10-28T17:06:40Z)
• UniForensics: Face Forgery Detection via General Facial Representation [60.5421627990707]
  高レベルの意味的特徴は摂動の影響を受けにくく、フォージェリー固有の人工物に限らないため、より強い一般化がある。 我々は、トランスフォーマーベースのビデオネットワークを活用する新しいディープフェイク検出フレームワークUniForensicsを導入し、顔の豊かな表現のためのメタファンクショナルな顔分類を行う。
  論文  参考訳（メタデータ） (2024-07-26T20:51:54Z)
• Generalized Face Liveness Detection via De-fake Face Generator [52.23271636362843]
  以前の顔アンチスプーフィング(FAS)手法は、目に見えない領域に一般化するという課題に直面している。 本稿では,大規模に付加的な現実面を効果的に活用できるAnomalous cue Guided FAS (AG-FAS)法を提案する。 提案手法は,未知のシナリオと未知のプレゼンテーションアタックを用いたクロスドメイン評価において,最先端の結果を実現する。
  論文  参考訳（メタデータ） (2024-01-17T06:59:32Z)
• Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
  ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。 既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。 本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-07-31T10:22:33Z)
• Attention Consistency Refined Masked Frequency Forgery Representation for Generalizing Face Forgery Detection [96.539862328788]
  既存の偽造検出方法は、未確認領域の真正性を決定する不満足な一般化能力に悩まされている。 ACMF(Attention Consistency Refined masked frequency forgery representation model)を提案する。 いくつかのパブリックフェイスフォージェリーデータセットの実験結果から,提案手法の性能は最先端の手法と比較して優れていることが示された。
  論文  参考訳（メタデータ） (2023-07-21T08:58:49Z)
• Real Face Foundation Representation Learning for Generalized Deepfake Detection [74.4691295738097]
  ディープフェイク技術の出現は、個人のプライバシーと公共の安全に脅威をもたらすため、社会的な問題となっている。 十分な偽の顔を集めることはほぼ不可能であり、既存の検出器があらゆる種類の操作に一般化することは困難である。 本稿では,大規模な実顔データセットから一般表現を学習することを目的としたリアルフェイスファウンデーション表現学習(RFFR)を提案する。
  論文  参考訳（メタデータ） (2023-03-15T08:27:56Z)

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。