論文の概要: $μ$Flow: Leveraging Average Images for Improving Generalisation of Deepfake Faces Detectors
- arxiv url: http://arxiv.org/abs/2606.30528v1
- Date: Mon, 29 Jun 2026 16:31:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:16.332664
- Title: $μ$Flow: Leveraging Average Images for Improving Generalisation of Deepfake Faces Detectors
- Title（参考訳）: $μ$Flow:Deepfake Faces Detectorの一般化を改善する平均イメージを活用する
- Abstract要約: $Flowは、擬似ディープフェイクや合成アーティファクトに頼ることなく、実際の画像にのみトレーニングされた1クラスのディープフェイク検出器である。
提案手法は,複数の画像の平均化が一貫した生成トレースを増幅する観察に基づいている。
トレーニング中に、実データと偽データの両方が見つからない、完全にアウト・オブ・ディストリビューション設定で$Flowを評価しました。
- 参考スコア（独自算出の注目度）: 8.278607997294749
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Current generative models, including GANs and diffusion models, have reached an outstanding level of photorealism, posing significant risks to privacy and security. To ensure real-world applicability, deepfake detectors must generalise effectively to unseen generators. However, most existing approaches rely on supervised training with both real and fake images, which limits their generalisation especially across generators categories (e.g. GANs vs DMs). In this work, we introduce $μ$Flow, a one-class deepfake detector trained only on real images without relying on pseudo-deepfakes or synthetic artifacts. Our approach builds on the observation that averaging multiple images amplifies consistent generative traces, producing highly discriminative feature representations. We leverage this property by modelling the distribution of features extracted from averaged images and training a normalizing flow to align the feature space of individual images with this distribution. This alignment yields a likelihood-based criterion that separates real and fake samples while promoting strong generalisation. We evaluate $μ$Flow on a fully out-of-distribution setting, where both real and fake datasets are unseen during training. Experimental results show that our method significantly outperforms SOTA detectors. Project page: https://opontorno.github.io/MuFlow.
- Abstract（参考訳）: GANや拡散モデルを含む現在の生成モデルは、フォトリアリズムの卓越したレベルに達し、プライバシとセキュリティに重大なリスクをもたらしている。
現実世界の応用性を確保するため、ディープフェイク検出器は目に見えない発電機に効果的に一般化する必要がある。
しかし、既存のほとんどのアプローチは、実画像と偽画像の両方による教師あり訓練に依存しており、特にジェネレータのカテゴリ(例えばGANとDM)における一般化を制限する。
そこで本研究では,擬似ディープフェイクや合成アーティファクトを使わずに実画像のみを学習した一級ディープフェイク検出器であるμ$Flowを紹介する。
提案手法は,複数の画像の平均化が一貫した生成トレースを増幅し,高度に識別可能な特徴表現を生成するという観察に基づいている。
平均画像から抽出した特徴量の分布をモデル化し、正規化フローをトレーニングし、個々の画像の特徴空間をこの分布と整合させることにより、この特性を利用する。
このアライメントは、強い一般化を促進しながら、実と偽のサンプルを分離する可能性に基づく基準をもたらす。
トレーニング中、実データと偽データの両方が見つからないフルアウト・オブ・ディストリビューション・セッティングで$μ$Flowを評価した。
実験の結果,SOTA検出器の精度は有意に向上した。
プロジェクトページ: https://opontorno.github.io/MuFlow.com
関連論文リスト
- Towards Sustainable Universal Deepfake Detection with Frequency-Domain Masking [17.153540024060483]
ユニバーサルディープフェイク検出は、目に見えないものを含む、幅広い生成モデルにわたるAI生成画像を特定することを目的としている。
これは新鮮で目に見えないディープフェイクへの堅牢な一般化を必要とし、頻繁に現れる。
本研究では,ディープフェイク検出器のトレーニング戦略として周波数領域マスキングを検討する。
論文 参考訳（メタデータ） (2025-12-08T21:08:25Z) - Few-Shot Learner Generalizes Across AI-Generated Image Detection [14.069833211684715]
フーショット検出器(Few-Shot Detector, FSD)は、未知の偽画像を効果的に識別するための特殊な距離空間を学習するAI生成画像検出器である。
実験の結果、FSDはGenImageデータセットの平均精度をわずか10ドルの追加サンプルで+11.6%以上向上した。
論文 参考訳（メタデータ） (2025-01-15T12:33:11Z) - Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。
本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。
本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
論文 参考訳（メタデータ） (2024-11-28T13:04:45Z) - Contrasting Deepfakes Diffusion via Contrastive Learning and Global-Local Similarities [88.398085358514]
Contrastive Deepfake Embeddings (CoDE)は、ディープフェイク検出に特化した新しい埋め込み空間である。
CoDEは、グローバルローカルな類似性をさらに強化することで、対照的な学習を通じて訓練される。
論文 参考訳（メタデータ） (2024-07-29T18:00:10Z) - Boundary-aware Decoupled Flow Networks for Realistic Extreme Rescaling [49.215957313126324]
Invertible rescaling Network (IRN) やgenerative adversarial Network (GAN) などを含む最近の生成手法は、画像再スケーリングにおいて例外的な性能を示した。
しかし、IRNベースの手法は過度に滑らかな結果を生成する傾向にあり、一方、GANベースの手法は偽の細部を容易に生成する。
本稿では,現実的かつ視覚的に満足な結果を生成するために,境界対応デカップリングフローネットワーク(BDFlow)を提案する。
論文 参考訳（メタデータ） (2024-05-05T14:05:33Z) - Data-Independent Operator: A Training-Free Artifact Representation
Extractor for Generalizable Deepfake Detection [105.9932053078449]
本研究では,より一般的な人工物表現を捉えるのに,小型かつトレーニング不要なフィルタが十分であることを示す。
トレーニングソースとテストソースの両方に不偏があるため、未確認ソースに対して魅力的な改善を実現するために、Data-Independent Operator (DIO)と定義する。
我々の検出器は13.3%の大幅な改善を実現し、新しい最先端の性能を確立した。
論文 参考訳（メタデータ） (2024-03-11T15:22:28Z) - Parents and Children: Distinguishing Multimodal DeepFakes from Natural Images [60.34381768479834]
近年の拡散モデルの発展により、自然言語のテキストプロンプトから現実的なディープフェイクの生成が可能になった。
我々は、最先端拡散モデルにより生成されたディープフェイク検出に関する体系的研究を開拓した。
論文 参考訳（メタデータ） (2023-04-02T10:25:09Z) - 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) - Towards Universal Fake Image Detectors that Generalize Across Generative Models [36.18427140427858]
実Vsフェイク分類のためのディープネットワークを訓練する既存のパラダイムは、新しい世代生成モデルから偽画像を検出するのに失敗していることを示す。
実写画像と実写画像の区別を明示的に訓練されていない特徴空間を用いて,学習せずに実写映像の分類を行うことを提案する。
論文 参考訳（メタデータ） (2023-02-20T18:59:04Z) - Detecting Deepfakes with Self-Blended Images [37.374772758057844]
本稿では,深度情報を検出するために,SBI(Self-blended Image)と呼ばれる新しい合成トレーニングデータを提案する。
SBIは、単一のプリスタン画像から擬似ソースとターゲットイメージを混合して生成される。
我々は,FF++,CDF,DFD,DFDC,DFDCP,FFIWデータセットの最先端手法との比較を行った。
論文 参考訳（メタデータ） (2022-04-18T15:44:35Z)
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。