論文の概要: AdaForensics: Learning A Characteristic-aware Adaptive Deepfake Detector
- arxiv url: http://arxiv.org/abs/2608.02160v1
- Date: Mon, 03 Aug 2026 12:41:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.566879
- Title: AdaForensics: Learning A Characteristic-aware Adaptive Deepfake Detector
- Title（参考訳）: AdaForensics: 特徴認識型適応型ディープフェイク検出器の学習
- Abstract要約: ディープフェイク検出のための特徴認識適応型ネットワークAdaForensicsを提案する。
私たちのAdaForensicsは同時に、異なる顔に動的に適応する特徴非依存と特徴特異的な埋め込みを学習します。
- 参考スコア（独自算出の注目度）: 35.852409222668676
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we propose a characteristic-aware adaptive network named AdaForensics for deepfake detection. Most existing methods learn a fixed network to detect deepfakes based on carefully-designed network architectures. However, these methods employ the same deepfake detector for all the images despite of various facial characteristic, which fail to provide customized forgery detection for different individuals. To address this, our AdaForensics simultaneously learns characteristic-agnostic and characteristic-specific embeddings, where the detector dynamically adapts to varying faces with our designed hypernetwork on the fly. More specifically, our AdaForensics not only explores the shareable abstractions from various deepfake images, but also adapts the detector to the given characteristic at test time. To achieve this, we propose a two-branch HyperNetwork to learn an adaptive deepfake detector, which automatically adjusts the parameters based on characteristic of the input. Extensive experiments on widely-used datasets including FaceForensics, Celeb-DF and DFDC demonstrate our AdaForensics outperforms the state-of-the-art works.
- Abstract（参考訳）: 本稿では,ディープフェイク検出のための特徴認識適応ネットワークAdaForensicsを提案する。
既存のほとんどの手法は、慎重に設計されたネットワークアーキテクチャに基づいてディープフェイクを検出するために固定ネットワークを学習する。
しかし、これらの方法は、顔の特徴が異なるにもかかわらず、すべての画像に対して同じディープフェイク検出器を用いており、異なる個人に対してカスタマイズされた偽造検出を提供していない。
これを解決するために、AdaForensicsは特徴に依存しない、特徴に固有の埋め込みを同時に学習し、検出器は、設計したハイパーネットワークをオンザフライで実行することで、様々な顔に動的に適応する。
より具体的には、AdaForensicsは様々なディープフェイク画像から共有可能な抽象化を探索するだけでなく、テスト時に与えられた特性に検出器を適応させる。
そこで本研究では,入力の特性に基づいてパラメータを自動的に調整する適応型ディープフェイク検出器を学習するための2分岐ハイパーネットワークを提案する。
FaceForensics、Celeb-DF、DFDCなど、広く使われているデータセットに対する大規模な実験は、AdaForensicsが最先端の成果を上回っていることを示している。
関連論文リスト
- Attribution-Guided Multimodal Deepfake Detection via Cross-Modal Forensic Fingerprints [4.598350938853635]
ビデオの偽造方法を特定することができない検出器は、間違ったシグナルを学習している可能性が高い、と私たちは主張する。
二分検出とは異なり、帰属誘導学習は共有埋め込み空間に強い幾何学的制約を課す。
本稿では,属性検出と属性抽出を共同で学習する属性誘導型マルチモーダルディープフェイク検出フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-29T09:11:13Z) - The Deepfake Detective: Interpreting Neural Forensics Through Sparse Features and Manifolds [0.0]
本稿では,視覚言語モデルに適用したディープフェイク検出のための機械的解釈可能性フレームワークを提案する。
提案手法は、内部ネットワーク表現のスパースオートエンコーダ解析と、新しい法科学多様体解析を組み合わせたものである。
論文 参考訳（メタデータ） (2025-12-25T13:27:56Z) - DiffFake: Exposing Deepfakes using Differential Anomaly Detection [16.528373143163275]
本稿では,検出問題を異常検出タスクとしてアプローチする新しいディープフェイク検出器DiffFakeを提案する。
具体的には、DiffFakeは、差分異常検出フレームワークを利用することで、同一人物の2つの顔画像間の自然な変化を学習する。
提案手法は,最先端の競争相手の性能に適合し,時として超えうることを示す。
論文 参考訳（メタデータ） (2025-02-22T14:50:53Z) - Semantics-Oriented Multitask Learning for DeepFake Detection: A Joint Embedding Approach [77.65459419417533]
本稿では,セマンティクス指向のDeepFake検出タスクをサポートする自動データセット拡張手法を提案する。
また,顔画像とラベル(テキストによる記述で示される)を併用して予測を行う。
提案手法は,DeepFake検出の一般化性を向上し,人間の理解可能な説明を提供することで,ある程度のモデル解釈を行う。
論文 参考訳（メタデータ） (2024-08-29T07:11:50Z) - 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) - DeepFidelity: Perceptual Forgery Fidelity Assessment for Deepfake
Detection [67.3143177137102]
ディープフェイク検出(Deepfake detection)とは、画像やビデオにおいて、人工的に生成された顔や編集された顔を検出すること。
本稿では,実顔と偽顔とを適応的に識別するDeepFidelityという新しいDeepfake検出フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-07T07:19:45Z) - 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) - SeeABLE: Soft Discrepancies and Bounded Contrastive Learning for
Exposing Deepfakes [7.553507857251396]
本研究では,検出問題を(一級)アウト・オブ・ディストリビューション検出タスクとして形式化する,SeeABLEと呼ばれる新しいディープフェイク検出器を提案する。
SeeABLEは、新しい回帰ベースの有界コントラスト損失を使用して、乱れた顔を事前定義されたプロトタイプにプッシュする。
我々のモデルは競合する最先端の検出器よりも高い性能を示しながら、高度に一般化能力を示す。
論文 参考訳（メタデータ） (2022-11-21T09:38:30Z) - Finding Facial Forgery Artifacts with Parts-Based Detectors [73.08584805913813]
顔の個々の部分に焦点を絞った一連の偽造検知システムを設計する。
これらの検出器を用いて、FaceForensics++、Celeb-DF、Facebook Deepfake Detection Challengeデータセットの詳細な実験分析を行う。
論文 参考訳（メタデータ） (2021-09-21T16:18:45Z) - TAR: Generalized Forensic Framework to Detect Deepfakes using Weakly
Supervised Learning [17.40885531847159]
ディープフェイクは重要な社会問題となり、それらを検出することが非常に重要です。
本研究では,異なる種類のディープフェイクを同時に検出する実用的なデジタル鑑識ツールを提案する。
レジデンシャルブロックを用いた自動エンコーダベースの検出モデルを開発し、異なる種類のディープフェイクを同時に検出する転送学習を順次実施します。
論文 参考訳（メタデータ） (2021-05-13T07:31:08Z) - 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) - 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。