論文の概要: Explainable Deepfake Detection Challenge

• arxiv url: http://arxiv.org/abs/2607.21007v1
• Date: Thu, 23 Jul 2026 07:42:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.312424
• Title: Explainable Deepfake Detection Challenge
• Title（参考訳）: 説明可能なディープフェイク検出チャレンジ
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 42.4485282926075
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deepfake detection is moving beyond binary classification decisions toward systems that can also explain the visual evidence supporting those decisions. This transition is important for real-world verification settings, where diverse users need to understand not only whether an image is manipulated, but also why it is considered suspicious. The Explainable Deepfake Detection Challenge at ACM Multimedia 2026 is designed to benchmark this joint capability. Built on XPlainVerse, a million-scale benchmark for explainable deepfake detection, the challenge evaluates methods on image classification and grounded natural-language explanation generation. Participants submit a real/fake label together with two explanations for each image: a detailed complex explanation for technical users and a concise simple explanation for general users. The evaluation combines classification metrics with semantic similarity, simplicity, and intent-aware grounding metrics that assess whether explanations identify the relevant manipulated entities and supporting visual evidence. The methodologies developed through the challenge will contribute to the development of next-generation explainable deepfake detectors. Evaluation script, baseline models, and accompanying code are available on https://github.com/Abhijeet8901/XPlainVerse-ACMChallenge.
• Abstract（参考訳）: ディープフェイク検出はバイナリ分類決定を超えて、これらの決定を支持する視覚的証拠を説明するシステムへと移行している。 この移行は、画像が操作されているかどうかだけでなく、なぜ疑わしいのかを多種多様なユーザーが理解する必要がある現実世界の検証設定において重要である。 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。 説明可能なディープフェイク検出のための100万規模のベンチマークであるXPlainVerse上に構築されたこの課題は、画像分類と接地した自然言語説明生成に関する手法を評価する。 参加者は、各画像に関する2つの説明とともに、テクニカルユーザのための詳細な複雑な説明と、一般ユーザのための簡潔な説明を、リアル/フェイクラベルとして提出する。 この評価は、分類指標と意味的類似性、単純性、意図認識に基づく基礎的指標を組み合わせることで、説明が関連する操作対象を識別し、視覚的証拠をサポートするかどうかを評価する。 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。 評価スクリプト、ベースラインモデル、および付随するコードはhttps://github.com/Abhijeet8901/XPlainVerse-ACMChallengeで入手できる。

関連論文リスト

• Evidence-Guided Detection, Localization and Explanation for Text-Centric Image Forensics [5.228601974168999]
  AIGCはテキスト中心の画像操作をますますアクセスしやすくしている。 本稿では,ACM Multimedia 2026におけるGenText-Forensics Challengeの解について述べる。
  論文  参考訳（メタデータ） (2026-09-02T04:37:32Z)
• 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)
• XPlainVerse: A Million-Scale Benchmark for Explainable Deepfake Detection [43.15397857869723]
  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。
  論文  参考訳（メタデータ） (2026-07-03T18:52:42Z)
• Unveiling Perceptual Artifacts: A Fine-Grained Benchmark for Interpretable AI-Generated Image Detection [95.08316274158165]
  X-AIGDは、低レベルの歪み、高レベルの意味論、認知レベルの反事実など、知覚的アーティファクトのピクセルレベルの分類されたアノテーションを提供する。 既存のAIGI検出器は、最も基本的な歪みレベルであっても、知覚的アーティファクトに依存しない。 モデル注意をアーティファクト領域と明確に整合させることは、検出器の解釈可能性と一般化を高めることができる。
  論文  参考訳（メタデータ） (2026-01-27T10:09:17Z)
• Beyond Artificial Misalignment: Detecting and Grounding Semantic-Coordinated Multimodal Manipulations [56.816929931908824]
  マルチモーダルデータにおける意味的協調操作の検出の先駆者となった。 本稿では,RamDG(Retrieval-Augmented Manipulation Detection and Grounding)フレームワークを提案する。 我々のフレームワークは既存の手法よりも優れており、SAMMの精度は最先端の手法に比べて2.06%高い。
  論文  参考訳（メタデータ） (2025-09-16T04:18:48Z)
• 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)
• DExT: Detector Explanation Toolkit [5.735035463793008]
  最先端の物体検出器は、高度に非線形な内部計算のためにブラックボックスとして扱われる。 本稿では,全検出器決定の全体的説明を行うオープンソースインタプリタ説明ツールキット(DExT)を提案する。
  論文  参考訳（メタデータ） (2022-12-21T23:28:53Z)
• Multi-attentional Deepfake Detection [79.80308897734491]
  ディープフェイクによる顔の偽造はインターネットに広まり、深刻な社会的懸念を引き起こしている。 新たなマルチアテンテーショナルディープフェイク検出ネットワークを提案する。 具体的には,1)ネットワークを異なる局所的部分へ配置するための複数の空間的注意ヘッド,2)浅い特徴の微妙なアーティファクトをズームするテクスチャ的特徴拡張ブロック,3)低レベルなテクスチャ特徴と高レベルなセマンティクス特徴をアグリゲートする,の3つの構成要素からなる。
  論文  参考訳（メタデータ） (2021-03-03T13:56:14Z)
• What makes fake images detectable? Understanding properties that generalize [55.4211069143719]
  深層ネットワークは、博士画像の微妙なアーティファクトを拾い上げることができる。 我々は、偽画像のどの特性が検出可能かを理解することを模索する。 検出可能な特性を誇張する手法を示す。
  論文  参考訳（メタデータ） (2020-08-24T17:50:28Z)

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。