論文の概要: Foundation Models are Implicit Deepfake Detectors

• arxiv url: http://arxiv.org/abs/2608.09427v1
• Date: Mon, 10 Aug 2026 10:55:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.213528
• Title: Foundation Models are Implicit Deepfake Detectors
• Title（参考訳）: ファンデーションモデルは暗黙のディープフェイク検出器
• Authors: Stefan Smeu, Dragos-Alexandru Boldisor, Elisabeta Oneata, Dan Oneata,
• Abstract要約: 複数の事前訓練されたモデル、データセット、および画像とビデオの両方の領域において、偽のサンプルは実際のモデルよりも低緯度表現を体系的に生成する。 そこで,本研究では, より高度なディープフェイク検出手法を用いて, 特徴量の単純な統計値が競合性能を達成することを示す。
• 参考スコア（独自算出の注目度）: 8.86239184578671
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Pretrained self-supervised representations have emerged as a core component of current deepfake detection methods, yet it remains unclear which of their properties make real and fake media distinguishable. In this work, we uncover a surprisingly consistent phenomenon: across multiple pretrained models, datasets, and both image and video domains, fake samples systematically produce lower-magnitude representations than their real counterparts. Motivated by this finding, we formulate deepfake detection as an anomaly detection problem and show that simple statistics of feature magnitude achieve competitive performance with far more sophisticated deepfake detection methods. We further investigate the origin of this effect and demonstrate that reduced feature magnitude is primarily associated with semantic shifts introduced by fake content, while low-level generative fingerprints play a comparatively smaller role. Finally, we show that this discriminative signal strengthens as the size of the underlying foundation model grows, suggesting that advances in representation learning naturally translate into stronger zero-shot deepfake detectors.
• Abstract（参考訳）: 既存のディープフェイク検出手法のコアコンポーネントとして、事前訓練された自己教師表現が登場したが、どの特性が実メディアと偽メディアを区別可能かは定かではない。 複数の事前訓練されたモデル、データセット、および画像とビデオの両方の領域において、偽のサンプルは実際のモデルよりも低緯度表現を体系的に生成する。 そこで,本研究では, より高度なディープフェイク検出手法を用いて, 特徴量の単純な統計値が競合性能を達成することを示す。 さらに, この効果の発端を解明し, 低レベルの生成指紋が比較的小さい役割を担っているのに対して, 特徴量の減少は, 主に偽コンテンツによる意味変化と関連していることを示す。 最後に,この識別信号は基礎となる基礎モデルのサイズが大きくなるにつれて強化され,表現学習の進歩が自然に強いゼロショットディープフェイク検出器へと変換されることが示唆された。

関連論文リスト

• Unraveling Hidden Representations: A Multi-Modal Layer Analysis for Better Synthetic Content Forensics [4.910937238451485]
  悪意のあるユーザーは 合成メディアを利用して 偽情報を広め ディープフェイクを広める 堅牢で安定した偽の検知器の必要性は、特に新しい生成モデルが毎日現れるとき、強く迫っている。 本稿では,大規模な事前学習型マルチモーダルモデルを用いて生成物を検知する手法を提案する。
  論文  参考訳（メタデータ） (2025-08-01T17:07:00Z)
• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• 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)
• Adversarially Robust Deepfake Detection via Adversarial Feature Similarity Learning [0.0]
  ディープフェイク技術は、デジタルコンテンツの信頼性を懸念し、効果的な検出方法の開発を必要としている。 敵は、検出モデルを騙して誤った出力を生成する、小さくて知覚できない摂動でディープフェイクビデオを操作できる。 本稿では,3つの基本的深い特徴学習パラダイムを統合したAFSL(Adversarial Feature similarity Learning)を紹介する。
  論文  参考訳（メタデータ） (2024-02-06T11:35:05Z)
• Masked Conditional Diffusion Model for Enhancing Deepfake Detection [20.018495944984355]
  本研究では,深度検出のための仮設条件拡散モデル (MCDM) を提案する。 マスクされたプリスタン顔から様々な偽造顔を生成し、ディープフェイク検出モデルにジェネリックでロバストな表現を学習するよう促す。
  論文  参考訳（メタデータ） (2024-02-01T12:06:55Z)
• 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)
• Representative Forgery Mining for Fake Face Detection [52.896286647898386]
  ディテクタの精緻化と注目の拡大を導くための注意ベースのデータ拡張フレームワークを提案します。 提案手法は,トップnのセンシティブな顔領域を追跡し,検出者に対して,以前無視された領域にさらに深く掘り下げて,より代表的な偽造を行うように促す。
  論文  参考訳（メタデータ） (2021-04-14T03:24:19Z)

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。