論文の概要: IRIS-GAN: Staged Specialist Detection of Deepfake Faces

• arxiv url: http://arxiv.org/abs/2606.04863v1
• Date: Wed, 03 Jun 2026 13:29:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 07:07:40.5031
• Title: IRIS-GAN: Staged Specialist Detection of Deepfake Faces
• Title（参考訳）: IRIS-GAN:ディープフェイク顔の段階的特殊検出
• Authors: Jaume M. Trenchs, Veronica Sanz,
• Abstract要約: IRIS-GANは, クロスジェネレータシフト下での合成顔画像の鑑定法である。 我々は、ディープフェイクコンテンツにおける最先端技術であるGAN(Generative Adversarial Network)によって生成される顔に焦点を当てる。 最終モデルは、GANファミリー全体で99%以上の偽検出率に達し、98.9%の精度で外部のリアルタイムデータセットを分類する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We introduce IRIS-GAN, a specialist forensic detector for synthetic face images under cross-generator shift. Rather than addressing universal synthetic-image detection, we focus on faces generated by generative adversarial networks (GANs), which are state-of-the-art in deepfake content, and train the detector through staged exposure to increasingly demanding GAN families while retaining earlier generators. The final model reaches fake-detection rates above 99% across the GAN families considered and classifies an external real-face dataset with 98.9% accuracy. Grad-CAM analysis further reveals measurable generator-dependent spatial response patterns, which remain informative for a secondary heatmap-only classifier. Out-of-family tests on diffusion-generated faces confirm that IRIS-GAN is a specialist detector, with some capability to reach non-GAN deepfakes. These results establish staged training as an effective strategy for robust GAN-face forensics.
• Abstract（参考訳）: IRIS-GANは, クロスジェネレータシフト下での合成顔画像の鑑定法である。 汎用的な合成画像検出に対処する代わりに, 生成的敵ネットワーク(GAN)が生み出す顔に焦点を合わせ, より深いフェイク内容の最先端技術であり, 早期のジェネレータを維持しつつ, より要求の高いGANファミリーへのステージド露光を通じて検出器を訓練する。 最終モデルは、GANファミリー全体で99%以上の偽検出率に達し、98.9%の精度で外部のリアルタイムデータセットを分類する。 グラッド-CAM分析により、二次熱マップのみの分類器において、計測可能なジェネレータ依存の空間応答パターンが明らかになる。 IRIS-GANは専門的な検出器であり、非GANディープフェイクに到達する能力がある。 これらの結果は、堅牢なGAN顔鑑定のための効果的な戦略としてステージドトレーニングを確立した。

関連論文リスト

• GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross Appearance-Edge Learning [50.7702397913573]
  フォトリアリスティック・ジェネレータの急速な進歩は、真の画像と操作された画像の相違がますます不明瞭になっている臨界点に達している。 公開されている顔の偽造データセットはいくつかあるが、偽造顔は主にGANベースの合成技術を用いて生成される。 我々は,大規模で多様できめ細かな高忠実度データセットであるGenFaceを提案し,ディープフェイク検出の進展を促進する。
  論文  参考訳（メタデータ） (2024-02-03T03:13:50Z)
• Rethinking the Up-Sampling Operations in CNN-based Generative Network for Generalizable Deepfake Detection [86.97062579515833]
  我々は、アップサンプリング操作から生じる一般化された構造的アーティファクトをキャプチャし、特徴付ける手段として、NPR(Neighboring Pixel Relationships)の概念を紹介した。 tft28の異なる生成モデルによって生成されたサンプルを含む、オープンワールドデータセット上で包括的な分析を行う。 この分析は、新しい最先端のパフォーマンスを確立し、既存の手法よりも優れたtft11.6%の向上を示している。
  論文  参考訳（メタデータ） (2023-12-16T14:27:06Z)
• 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)
• DeepFake Detection by Analyzing Convolutional Traces [0.0]
  我々は,人間の顔のディープフェイクの分析に着目し,新しい検出方法を提案する。 提案手法は, 予測最大化(EM)アルゴリズムを用いて, 基礎となる畳み込み生成過程をモデル化するための局所的特徴の集合を抽出する。 その結果、異なるアーキテクチャと対応する生成過程を区別する手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-04-22T09:02:55Z)

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。