論文の概要: InfoDense: Density-Aware Regional Decisive Replay for Memory-Efficient Incremental Face Forgery Detection
- arxiv url: http://arxiv.org/abs/2607.16873v1
- Date: Sat, 18 Jul 2026 16:25:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.292323
- Title: InfoDense: Density-Aware Regional Decisive Replay for Memory-Efficient Incremental Face Forgery Detection
- Title（参考訳）: InfoDense: メモリ効率の良いインクリメンタル顔偽造検出のための密度対応地域決定リプレイ
- Abstract要約: 増分顔偽造検出は、進化する偽造の脅威に対処するための有望なアプローチとして登場した。
メモリ制限下での完全な履歴画像の保存は、しばしば微妙な偽造の手がかりを保存するのに失敗するか、ドメインバイアスを導入するかのいずれかである。
本稿では,これらの課題に対処するために,InfoDenseと呼ばれる密度対応地域決定型リプレイ戦略を提案する。
- 参考スコア（独自算出の注目度）: 20.49662130758992
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid evolution of face forgery techniques has introduced an increasing variety of manipulations. Incremental Face Forgery Detection (IFFD), which incrementally adds new forgery data to fine-tune previously trained models, has emerged as a promising approach to handle evolving forgery threats. However, conventional replay-based IFFD methods suffer from catastrophic forgetting. Storing full historical images under limited memory often either fails to preserve subtle forgery cues or introduces domain bias, reducing the model's ability to learn intrinsic and transferable manipulation characteristics. In this paper, we propose a Density-Aware Regional Decisive replay strategy, termed InfoDense, to address these challenges. InfoDense prioritizes artifact-dense and forgery-critical regions, significantly reducing storage requirements while maintaining high-fidelity forgery evidence. We first introduce InfoDense Cut to localize decisive patches using CLIP-based embeddings. Then, InfoDense Select ranks candidate segments by combining latent-space representativeness and decisive patch counts, ensuring both diversity and information density in the replay buffer. Finally, InfoDense Fuse reconstructs unbiased training inputs by adaptively merging stored segments with current-task samples, enhancing knowledge retention and generalization. Extensive experiments on challenging incremental deepfake benchmarks demonstrate that InfoDense effectively mitigates catastrophic forgetting while improving cross-domain generalization.
- Abstract（参考訳）: 顔偽造技法の急速な進化により、様々な操作が導入された。
IFFD(Incrmental Face Forgery Detection)は、以前にトレーニングされたモデルに新たなフォージェリデータを追加し、進化するフォージェリ脅威を処理するための有望なアプローチとして登場した。
しかし、従来のリプレイベースのIFFD法は破滅的な忘れ込みに悩まされる。
メモリ制限下で完全な履歴画像を保持することは、しばしば微妙な偽造の手がかりを保存できないか、ドメインバイアスを導入し、本質的で転送可能な操作特性を学習する能力を低下させる。
本稿では,これらの課題に対処するため,密度認識型地域決定型リプレイ戦略であるInfoDenseを提案する。
InfoDenseは、アーティファクトディッセンスとフォージェリークリティカルなリージョンを優先し、高忠実なフォージェリーエビデンスを維持しながら、ストレージ要件を大幅に削減する。
私たちはまず、CLIPベースの埋め込みを使って決定的なパッチをローカライズするためにInfoDense Cutを導入します。
次に、InfoDense Selectは、潜在空間代表性と決定パッチ数を組み合わせた候補セグメントをランク付けし、リプレイバッファにおける多様性と情報密度の両立を保証する。
最後に、InfoDense Fuseは、記憶されたセグメントと現在のタスクサンプルを適応的にマージし、知識保持と一般化を強化することで、バイアスのないトレーニングインプットを再構築する。
挑戦的なインクリメンタルディープフェイクベンチマークに関する大規模な実験は、InfoDenseがクロスドメインの一般化を改善しながら破滅的な忘れを効果的に軽減することを示した。
関連論文リスト
- DDL: A Large-Scale Datasets for Deepfake Detection and Localization in Diversified Real-World Scenarios [51.916287988122406]
本稿では,$textbf1.4M+$forgedサンプルを含む大規模ディープフェイク検出およびローカライゼーション(textbfDDL)データセットを提案する。
我々のDDLは、複雑な現実世界の偽造のより困難なベンチマークを提供するだけでなく、次世代のディープフェイク検出、ローカライゼーション、解釈可能性メソッドを構築するための重要なサポートも提供しています。
論文 参考訳（メタデータ） (2025-06-29T15:29:03Z) - Cross-Branch Orthogonality for Improved Generalization in Face Deepfake Detection [43.2796409299818]
ディープフェイクは法執行機関や一般大衆にとって迷惑になっている。
既存のディープフェイク検出器は、ディープフェイク生成のペースの改善に追随するのに苦労している。
本稿では,粗い空間情報,意味情報,それらの相互作用を活用する新しい戦略を提案する。
論文 参考訳（メタデータ） (2025-05-08T01:49:53Z) - Continual Learning with Strategic Selection and Forgetting for Network Intrusion Detection [6.3399691183255165]
侵入検知システム(IDS)はデジタルインフラの保護に不可欠である。
本稿では,IDSの新しい連続学習手法であるSSF(Strategic Selection and Forgetting)を提案する。
提案手法は,新しいサンプルを選択的に選択する戦略的サンプル選択アルゴリズムと,古いサンプルをドロップする戦略的忘れ機構を備える。
論文 参考訳（メタデータ） (2024-12-20T09:22:07Z) - Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [81.93945602120453]
本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。
フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。
設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
論文 参考訳（メタデータ） (2024-08-23T01:53:36Z) - 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) - Distribution Aligned Semantics Adaption for Lifelong Person Re-Identification [43.32960398077722]
ライフロングパーソン・リID(Lifelong person Re-IDentification)は、リID(Re-ID)システムの一種である。
LReIDは、古いドメインからの例証の再生と、古いモデルでロジットに知識蒸留を適用することに依存している。
多様な歩行者画像に基づいて大規模に訓練されたRe-IDモデルは、堅牢で一般的な人間の意味知識を得ることができると論じる。
論文 参考訳（メタデータ） (2024-05-30T05:15:38Z) - DFIL: Deepfake Incremental Learning by Exploiting Domain-invariant
Forgery Clues [32.045504965382015]
現在のディープフェイク検出モデルは、大規模なデータセットでトレーニングすることで、一般的に偽画像を認識することができる。
検出モデルの精度は、データ分布の違いにより、新しいディープフェイク法によって生成された画像に対して著しく低下する。
本稿では,ディープフェイク検出モデルの一般化を改善するための新たなインクリメンタルラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-18T07:02:26Z) - Small Object Detection via Coarse-to-fine Proposal Generation and
Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。
CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文 参考訳（メタデータ） (2023-08-18T13:13:09Z) - Continual Face Forgery Detection via Historical Distribution Preserving [88.66313037412846]
CFFD(Continuous Face Forgery Detection)に焦点をあてる。
CFFDは、以前の攻撃を忘れずに、新しい偽造攻撃から効率的に学習することを目指している。
評価実験の結果,提案手法は最先端の競合よりも優れていた。
論文 参考訳（メタデータ） (2023-08-11T16:37:31Z) - GIFD: A Generative Gradient Inversion Method with Feature Domain
Optimization [52.55628139825667]
Federated Learning(FL)は、クライアントのプライバシを保護するための有望な分散機械学習フレームワークとして登場した。
近年の研究では、事前学習された生成逆ネットワーク(GAN)を事前知識として活用することにより、攻撃者が共有勾配を逆転し、FLシステムに対する機密データを回復できることが示されている。
textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD)を提案する。
論文 参考訳（メタデータ） (2023-08-09T04:34:21Z)
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。