論文の概要: FakeI2V-Bench: Benchmarking the Applicability of Image-level Deepfake Detectors for Deepfake Video Detection
- arxiv url: http://arxiv.org/abs/2608.03096v1
- Date: Tue, 04 Aug 2026 04:13:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:23.027845
- Title: FakeI2V-Bench: Benchmarking the Applicability of Image-level Deepfake Detectors for Deepfake Video Detection
- Title（参考訳）: FakeI2V-Bench: ディープフェイク映像検出のための画像レベルディープフェイク検出器の適用性のベンチマーク
- Abstract要約: FakeI2V-Benchは最先端のビデオレベルのディープフェイク検出器を評価するためのベンチマークである。
IV-Bridgeは、画像レベルのディープフェイク検出器をビデオに適用可能にするフレームワークである。
- 参考スコア（独自算出の注目度）: 15.79371319503651
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in video generation models have significantly intensified the deepfake threat, yet the current deepfake video detection benchmarks remain underdeveloped. In particular, the effectiveness of image-level detectors in the video domain has not been systematically assessed. To fill this gap, we present FakeI2V-Bench, a benchmark for evaluating state-of-the-art video-level deepfake detectors in challenging scenarios, with a particular focus on systematically assessing the performance of image-level deepfake detectors in the video domain. FakeI2V-Bench comprises 97,548 videos, containing content generated by the latest powerful generation models and covering a broader range of categories. Using this dataset, we conduct a systematic evaluation of eight video-level detectors and twelve representative image-level detectors. Experimental results show that the best-performing image-level detector achieves an 80.16% AUC, slightly outperforming the strongest video-level detector (i.e., 79.99% AUC). Going beyond benchmarking, we present IV-Bridge, a general framework that enhances the applicability of image-level deepfake detectors to videos. IV-Bridge employs a random forest model with statistical features to aggregate frame-level predictions, allowing eleven image-level detectors to surpass state-of-the-art video-level approaches, with the best-performing variant achieving a 93.80% AUC. Overall, FakeI2V-Bench establishes a rigorous benchmark for deepfake video detection and introduces a novel pathway for extending image-level detectors to the video domain, offering new insights and directions for future research. Code and data are available at https://github.com/CryptoAILab/FakeI2V-Bench.
- Abstract（参考訳）: ビデオ生成モデルの最近の進歩は、ディープフェイクの脅威を著しく高めているが、現在のディープフェイクビデオ検出ベンチマークはまだ未開発である。
特に、ビデオ領域における画像レベルの検出器の有効性は体系的に評価されていない。
このギャップを埋めるために、我々は、ビデオ領域における画像レベルディープフェイク検出器の性能を体系的に評価することに焦点を当てた、最先端のビデオレベルディープフェイク検出器を挑戦シナリオで評価するためのベンチマークであるFakeI2V-Benchを紹介する。
FakeI2V-Benchは97,548本のビデオで構成され、最新の強力な世代モデルによって生成されたコンテンツを含み、幅広いカテゴリをカバーする。
本データセットを用いて,8つのビデオレベル検出器と12の代表的な画像レベル検出器の系統的評価を行う。
実験の結果、最も優れた画像レベルの検出器は80.16%のAUCを達成し、最強のビデオレベルの検出器(79.99%のAUC)をわずかに上回った。
ベンチマークを超えて、画像レベルのディープフェイク検出器をビデオに適用可能にする一般的なフレームワークであるIV-Bridgeを提示する。
IV-Bridgeは、統計的な特徴を持つランダム森林モデルを用いてフレームレベルの予測を集約し、11個の画像レベルの検出器が最先端のビデオレベルのアプローチを超越し、93.80%のAUCを達成している。
全体として、FakeI2V-Benchはディープフェイクビデオ検出のための厳格なベンチマークを確立し、画像レベルの検出器をビデオ領域に拡張するための新しい経路を導入し、将来の研究のための新たな洞察と方向性を提供する。
コードとデータはhttps://github.com/CryptoAILab/FakeI2V-Bench.comで公開されている。
関連論文リスト
- Learning Unified Video and Image Representation for Video Face Forgery Detection [49.19035628283472]
既存のビデオ顔偽造検出方法は、偽造ビデオのすべてのフレームが操作されていると仮定する。
ビデオ中の部分的偽造を検出するための微細な監督を行うために,追加の注釈付き画像を利用する新しいフレームワーク UVIF を提案する。
UVIFは、統一エンコーダとマルチタスク学習パラダイムを使用して、ビデオ顔偽造検出の強化のために、顔ビデオと画像を共同でモデル化する。
論文 参考訳（メタデータ） (2026-08-13T10:25:59Z) - Deepfake Media Generation and Detection in the Generative AI Era: A Survey and Outlook [101.30779332427217]
本研究は,近年の現場開発を含むディープフェイク発生・検出技術について調査する。
偽コンテンツの変更や生成に使用する手順に従って,様々な種類のディープフェイクを識別する。
我々は,分布外コンテンツに基づくディープフェイク検出のための新しいマルチモーダル・ベンチマークを開発した。
論文 参考訳（メタデータ） (2024-11-29T08:29:25Z) - WWW: Where, Which and Whatever Enhancing Interpretability in Multimodal Deepfake Detection [10.770226158965686]
マルチモーダルディープフェイク検出のための最新のベンチマークでは、様々な生成手法を用いてフレーム全体を操作している。
これらのベンチマークは、現実世界のシナリオで提示されるフレーム単位の変更による動的ディープフェイク攻撃を検出するのに苦労している。
ビデオとオーディオの両方で操作されたセグメントを特定することを目的とした新しいクリップレベル評価ベンチマークであるFakeMixを紹介する。
論文 参考訳（メタデータ） (2024-08-06T04:44:10Z) - Turns Out I'm Not Real: Towards Robust Detection of AI-Generated Videos [16.34393937800271]
高品質なビデオを作成するための生成モデルは、デジタル整合性とプライバシーの脆弱性に関する懸念を提起している。
ディープフェイクスのビデオと戦うための最近の研究は、ガン生成サンプルを正確に識別する検出器を開発した。
本稿では,複数の最先端(SOTA)生成モデルから合成された映像を検出するための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-13T21:52:49Z) - CapST: Leveraging Capsule Networks and Temporal Attention for Accurate Model Attribution in Deep-fake Videos [9.209808258321559]
特定の生成モデルやエンコーダにディープフェイクを加えることは、法医学的な分析に不可欠であり、ソースと調整された対策を可能にする。
本研究では、異なるモデル(DFDM)からのディープフェイクとGANGen-Detectionの2つのデータセットを用いたディープフェイクビデオのモデル属性問題について検討する。
本稿では,Truncated VGG19ネットワークを統合した新しいCapsule-Spatial-Cap(CapST)モデルを提案する。
論文 参考訳（メタデータ） (2023-11-07T08:05:09Z) - AntifakePrompt: Prompt-Tuned Vision-Language Models are Fake Image Detectors [24.78672820633581]
深層生成モデルは、偽情報や著作権侵害に対する懸念を高めながら、驚くほど偽のイメージを作成することができる。
実画像と偽画像とを区別するためにディープフェイク検出技術が開発された。
本稿では,視覚言語モデルとアクシデントチューニング技術を用いて,Antifake Promptと呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2023-10-26T14:23:45Z) - Deep Convolutional Pooling Transformer for Deepfake Detection [54.10864860009834]
本研究では,局所的・グローバル的に決定的な画像特徴を取り入れた深部畳み込み変換器を提案する。
具体的には,抽出した特徴を充実させ,有効性を高めるために,畳み込みプーリングと再アテンションを適用した。
提案手法は、内部実験と相互データセット実験の両方において、最先端のベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2022-09-12T15:05:41Z) - 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) - M2TR: Multi-modal Multi-scale Transformers for Deepfake Detection [74.19291916812921]
Deepfake技術によって生成された鍛造画像は、デジタル情報の信頼性に深刻な脅威をもたらします。
本稿では,Deepfake検出のための微妙な操作アーチファクトを異なるスケールで捉えることを目的とする。
最先端の顔スワッピングと顔の再現方法によって生成された4000のDeepFakeビデオで構成される高品質のDeepFakeデータセットSR-DFを紹介します。
論文 参考訳（メタデータ） (2021-04-20T05:43:44Z) - Two-branch Recurrent Network for Isolating Deepfakes in Videos [17.59209853264258]
本稿では,2分岐ネットワーク構造に基づくディープフェイク検出手法を提案する。
1つのブランチは元の情報を伝達し、もう1つのブランチは顔の内容を抑制する。
当社の2つの新しいコンポーネントは、FaceForensics++、Celeb-DF、FacebookのDFDCプレビューベンチマークで有望な結果を示している。
論文 参考訳（メタデータ） (2020-08-08T01:38:56Z) - VideoForensicsHQ: Detecting High-quality Manipulated Face Videos [77.60295082172098]
偽造検知器の性能は、人間の目で見られる人工物の存在にどのように依存するかを示す。
前例のない品質の顔ビデオ偽造検出のための新しいベンチマークデータセットを導入する。
論文 参考訳（メタデータ） (2020-05-20T21:17:43Z)
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。