論文の概要: XPlainVerse: A Million-Scale Benchmark for Explainable Deepfake Detection
- arxiv url: http://arxiv.org/abs/2607.03562v1
- Date: Fri, 03 Jul 2026 18:52:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.649546
- Title: XPlainVerse: A Million-Scale Benchmark for Explainable Deepfake Detection
- Title（参考訳）: XPlainVerse: 説明可能なDeepfake検出のための数百万規模のベンチマーク
- Abstract要約: 共同深度検出と人中心的説明のための大規模ベンチマークであるXPlainVerseを紹介した。
XPlainVerseは、100万枚の実画像と操作された画像で構成され、既存の5つのソースからの認証画像と、12個のオフザシェルフ画像編集合成モデルによって生成された偽画像とをペアリングする。
データセットのスケール以外にも、XPlainVerseは2つの補完的な説明スタイルを提供している。
- 参考スコア（独自算出の注目度）: 43.15397857869723
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As deepfake detection models increasingly produce natural language explanations, their reasoning often remains weakly grounded in visual artifacts, limiting reliability and user trust. Existing benchmarks mainly evaluate classification accuracy, overlooking whether explanations reflect the actual manipulations. This gap hinders progress toward deployable, explainable deepfake detection systems. To this end, we introduce XPlainVerse, a large-scale benchmark designed for joint deepfake detection and human-centered explanation. XPlainVerse comprises one million real and manipulated images, pairing authentic images from five established sources with forgeries generated by twelve off-the-shelf image editing and synthesis models. We further propose a multi-stage filtering pipeline, Edit-Check, to verify if manipulations satisfy their intended edits, enabling reliable reasoning supervision at scale. Beyond dataset scale, XPlainVerse provides two complementary explanation styles: technical explanations for expert analysis and simplified explanations optimized for non-technical users. To evaluate explanation quality beyond surface similarity, we propose novel metrics, EntityScore and EvidenceScore, that measure reasoning fidelity by checking whether explanations correctly identify manipulated entities and visual evidence. Human annotations on 2,000 explanation pairs validate our dataset quality against human judgment. We believe XPlainVerse will establish grounded explanation quality as a measurable dimension of deepfake detection and support scalable research on trustworthy, interpretable models.
- Abstract（参考訳）: ディープフェイク検出モデルは自然言語の説明をますます生み出すので、その推論は視覚的アーティファクトに弱く根ざされ、信頼性とユーザの信頼を制限していることが多い。
既存のベンチマークは主に分類精度を評価し、説明が実際の操作を反映しているかどうかを見落としている。
このギャップは、デプロイ可能で説明可能なディープフェイク検出システムへの進歩を妨げる。
この目的のために私たちは,共同で深度検出と人間中心の説明を行うために設計された大規模ベンチマークXPlainVerseを紹介した。
XPlainVerseは、100万枚の実画像と操作された画像で構成され、既存の5つのソースからの認証画像と、12個のオフザシェルフ画像編集合成モデルによって生成された偽画像とをペアリングする。
さらに,多段階フィルタリングパイプラインであるEdit-Checkを提案し,操作が意図した編集を満足するかどうかを検証し,信頼性の高い推論管理を可能にする。
データセットのスケール以外にも、XPlainVerseは2つの補完的な説明スタイルを提供している。
表面類似性を超えた説明の質を評価するために,操作された実体や視覚的証拠を正しく識別するかどうかを確認することによって,説明の正確性を評価する新しい指標であるEntityScoreとEvidenceScoreを提案する。
2,000の説明ペアに対する人間のアノテーションは、人間の判断に対してデータセットの品質を検証する。
XPlainVerseは、ディープフェイク検出の計測可能な次元として基礎的な説明品質を確立し、信頼性のある解釈可能なモデルに関するスケーラブルな研究をサポートすると信じています。
関連論文リスト
- Explainable Deepfake Detection with Feature-robust Augmentation and Evidence-grounded Explanation Optimization [46.970316236873515]
提案手法は、ACM Multimedia 2026 Explainable Deepfake Detection Challengeで初となる。
本稿では,多彩な劣化認識強化戦略と教師付きコントラスト学習パターンを含む特徴量拡張について紹介する。
説明のために、モデルに真の操作トレースを優先させるエビデンスグラウンドの選好最適化プロセスを考案する。
論文 参考訳（メタデータ） (2026-08-21T09:30:34Z) - Defake-o3: From Speculative Rationales to Verifiable Evidence for Explainable AIGI Detection [8.599317072232198]
本稿では,AIGI検出器であるDedeake-o3について述べる。
インタラクティブなビジュアル検索と検証対象の証拠のアライメントを組み合わせる。
Defake-o3は検出精度と説明品質の両方を改善する。
論文 参考訳（メタデータ） (2026-08-17T08:30:32Z) - Explainable Deepfake Detection Challenge [42.4485282926075]
ACM Multimedia 2026における説明可能なディープフェイク検出チャレンジは、このジョイント能力をベンチマークするために設計されている。
この評価は、分類指標と意味的類似性、単純性、意図認識の接地指標を組み合わせる。
この課題を通じて開発された手法は、次世代で説明可能なディープフェイク検出器の開発に寄与する。
論文 参考訳（メタデータ） (2026-07-23T07:42:43Z) - Pixels Don't Lie (But Your Detector Might): Bootstrapping MLLM-as-a-Judge for Trustworthy Deepfake Detection and Reasoning Supervision [25.382800247901827]
DeepfakeJudgeはスケーラブルな推論の監視と評価のためのフレームワークです。
これは、最近の生成および編集のフォージェリー、視覚的推論ラベルを持つ人間の注釈付きサブセット、および一連の評価モデルを含む、配布外ベンチマークを統合している。
論文 参考訳（メタデータ） (2026-02-23T11:08:46Z) - Fact or Fake? Assessing the Role of Deepfake Detectors in Multimodal Misinformation Detection [24.64785245180038]
我々は,マルチモーダルな誤情報検出の文脈において,ディープフェイク検出を初めて体系的に解析する。
ディープフェイク検出器は、MMFakeBenchで0.26-0.53、DGM4で0.33-0.49の範囲でF1スコアを達成している。
証拠中心のファクトチェックシステムは最高性能を達成し、MMFakeBenchで約0.81点、DGM4で約0.55点に達した。
論文 参考訳（メタデータ） (2026-02-02T09:28:16Z) - TriDF: Evaluating Perception, Detection, and Hallucination for Interpretable DeepFake Detection [28.635829897413416]
TriDFはDeepFake検出の解釈可能なベンチマークである。
本稿では,DeepFake検出のための総合的なベンチマークであるTriDFを紹介する。
論文 参考訳（メタデータ） (2025-12-11T14:01:01Z) - Semantic Visual Anomaly Detection and Reasoning in AI-Generated Images [96.43608872116347]
AnomReasonは4倍のtextbfAnomAgentのような構造化アノテーションを備えた大規模ベンチマーク
AnomReasonとAnomAgentは、AI生成画像の意味的妥当性の測定と改善の基盤となっている。
論文 参考訳（メタデータ） (2025-10-11T14:09:24Z) - Common Sense Reasoning for Deepfake Detection [13.502008402754658]
最先端のディープフェイク検出アプローチは、ニューラルネットワークを介して抽出された画像ベースの機能に依存している。
我々は,Deepfake Detection VQA (DD-VQA) タスクとしてディープフェイク検出を行い,人間の直感をモデル化した。
我々は、新しい注釈付きデータセットを導入し、DD-VQAタスクのためのビジョン・アンド・ランゲージ・トランスフォーマーベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-31T19:11:58Z) - Linguistic Profiling of Deepfakes: An Open Database for Next-Generation
Deepfake Detection [40.20982463380279]
本稿では,Deepfake データベース (DFLIP-3K) を提案する。
約3K生成モデルから約300Kの多様なディープフェイクサンプルが含まれており、この文献で最も多くのディープフェイクモデルがある。
この2つの特徴により、DFLIP-3Kはディープフェイクの言語プロファイリングの進歩を促進するベンチマークを開発することができる。
論文 参考訳（メタデータ） (2024-01-04T16:19:52Z) - CrossDF: Improving Cross-Domain Deepfake Detection with Deep Information Decomposition [53.860796916196634]
クロスデータセットディープフェイク検出(CrossDF)の性能を高めるためのディープ情報分解(DID)フレームワークを提案する。
既存のディープフェイク検出方法とは異なり、我々のフレームワークは特定の視覚的アーティファクトよりも高いレベルのセマンティック特徴を優先する。
顔の特徴をディープフェイク関連情報と無関係情報に適応的に分解し、本質的なディープフェイク関連情報のみを用いてリアルタイム・フェイク識別を行う。
論文 参考訳（メタデータ） (2023-09-30T12:30:25Z) - Voice-Face Homogeneity Tells Deepfake [56.334968246631725]
既存の検出アプローチは、ディープフェイクビデオにおける特定のアーティファクトの探索に寄与する。
未探索の音声-顔のマッチングビューからディープフェイク検出を行う。
我々のモデルは、他の最先端の競合と比較して、大幅に性能が向上する。
論文 参考訳（メタデータ） (2022-03-04T09:08:50Z) - Beyond the Spectrum: Detecting Deepfakes via Re-Synthesis [69.09526348527203]
ディープフェイク(Deepfakes)として知られる非常に現実的なメディアは、現実の目から人間の目まで区別できない。
本研究では,テスト画像を再合成し,検出のための視覚的手がかりを抽出する,新しい偽検出手法を提案する。
種々の検出シナリオにおいて,提案手法の摂動に対する有効性の向上,GANの一般化,堅牢性を示す。
論文 参考訳（メタデータ） (2021-05-29T21:22:24Z)
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。