論文の概要: Environment-Invariant Subspace Learning for Generalizable Deepfake Detection
- arxiv url: http://arxiv.org/abs/2608.17700v1
- Date: Tue, 18 Aug 2026 12:22:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.332255
- Title: Environment-Invariant Subspace Learning for Generalizable Deepfake Detection
- Title（参考訳）: 一般化可能なディープフェイク検出のための環境不変部分空間学習
- Abstract要約: クロスディストリビューションの一般化は、ディープフェイク検出において依然として重要なボトルネックとなっている。
環境不変部分空間学習フレームワークは、機能を偽関連不変因子に分解することを目的としている。
実験では、強い検出器に対する一貫した利得と競争力または先導性能を示す。
- 参考スコア（独自算出の注目度）: 36.89322665183361
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cross-distribution generalization remains a critical bottleneck in deepfake detection. While recent efforts leverage the semantic priors of large-scale visual foundation models (VFMs), a noteworthy yet underexplored challenge remains: the susceptibility of these semantic priors to environmental interference from factors such as lighting and style. Crucially, this interference establishes spurious correlations between forgery cues and environmental patterns that severely limit generalization. To address this fundamental challenge, we propose an innovative Environment-Invariant Subspace Learning (EISL) framework. The core contribution of EISL is that it aims to disentangle features into orthogonal forgery-relevant invariant factors and environment-related residual factors via a learnable low-rank projection. To facilitate robust feature disentanglement, we also design an Environmental Intervention module that generates diverse and challenging intervention pairs, simulating out-of-distribution environmental shifts to guide the model toward discovering truly invariant forgery representations. Experiments across cross-dataset, cross-generator, whole-face synthesis, and corruption settings show consistent gains and competitive or leading performance against strong detectors, demonstrating improved robustness to unseen forgery types and environmental variations. This work provides a new perspective and a valuable exploration for understanding and tackling the generalization barriers of VFMs in deepfake detection.
- Abstract（参考訳）: クロスディストリビューションの一般化は、ディープフェイク検出において依然として重要なボトルネックとなっている。
近年の取り組みでは、大規模視覚基盤モデル(VFM)のセマンティックな先行性を活用しているが、注目すべきは、これらのセマンティックな先行性は、照明やスタイルなどの要因からの環境干渉に対するものである。
この干渉は、フォージェリー・キューと、一般化を著しく制限する環境パターンの間に急激な相関関係を確立する。
この根本的な課題に対処するため、我々は革新的な環境不変部分空間学習(EISL)フレームワークを提案する。
EISLのコアコントリビューションは、学習可能な低ランク投影を通して、特徴を直交する偽関連不変因子と環境関連残留因子に分解することである。
また,多様かつ困難な介入ペアを生成する環境介入モジュールを設計し,配布外環境シフトをシミュレートし,真に不変なフォージェリー表現の発見に向けてモデルを導く。
クロスデータセット、クロスジェネレータ、全顔合成、汚職設定による実験は、強い検出器に対する一貫した利得と競争力、あるいは先導的な性能を示し、目に見えない偽造型や環境変動に対する堅牢性の向上を実証している。
この研究は、ディープフェイク検出におけるVFMの一般化障壁を理解し、対処するために、新しい視点と貴重な探索を提供する。
関連論文リスト
- Environments as Scaffold: Enriching Feedback to Bootstrap Self-Evolving Agents in Long-Horizon Tasks [19.050938256251367]
大規模言語モデルは静的推論において顕著な習熟性を示す。
長期作業のための強化学習(Reinforcement Learning, RL)を通じて自律的なエージェントとして訓練することは、しばしば深刻な報酬の分散によって妨げられる。
textbfFeedback-textbfEnriched textbfFEEsを構築することにより、テキスト環境側適応へのパラダイムシフトを提案する。
論文 参考訳（メタデータ） (2026-09-08T08:14:25Z) - Topology-Aware Neighborhood Learning for Source-Free Cross-Scene Hyperspectral Image Classification [11.354716471312239]
ドメイン適応は、複雑なシナリオにおける識別能力を大幅に向上させる、高度なクロスシーンハイパースペクトル画像分類を持つ。
従来のドメイン適応手法は非現実的になり、現実的なリモートセンシングのシナリオにおいてその実用性を著しく制限する。
ソースデータなしで、堅牢で正確な分類を実現するために、トポロジ対応のソースフリー学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-06T12:40:06Z) - Prototype-Anchored Generalized Manifold Regression for Unknown-Domain Object Detection [58.25418970608328]
単一ソースドメイン上でトレーニングされた検出器を複数の未確認領域に転送することを目的としたシングルドメイン一般化オブジェクト検出(Single-DGOD)について検討する。
既存の手法は主に、トレーニング分布を拡大するために、データ拡張やテキストプロンプトといったシミュレーション駆動の戦略に依存している。
本稿では, 未知領域の一般化を多様体回帰問題として定式化する, Visual-Text Dual Chain-of-Thought (MR-DCoT) を用いたマニフォールド回帰を提案する。
論文 参考訳（メタデータ） (2026-07-08T09:27:15Z) - Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。
既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。
動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-25T09:57:46Z) - GAMR: Geometric-Aware Manifold Regularization with Virtual Outlier Synthesis for Learning with Noisy Labels [7.09131557837911]
ディープニューラルネットワーク(DNN)は、ノイズラベルを処理する際に大きなパフォーマンス劣化を経験する。
現在の主流のアプローチでは、トレーニング中にクリーンサンプルを受動的にフィルタリングすることで、この問題を緩和しようとしている。
ノイズの多いデータから学習するための特徴空間幾何を積極的に作り直すことの基本的な重要性を初めて強調する。
論文 参考訳（メタデータ） (2026-05-20T05:24:43Z) - Better with Less: Tackling Heterogeneous Multi-Modal Image Joint Pretraining via Conditioned and Degraded Masked Autoencoder [34.73963627819185]
高分解能光合成開口レーダ(SAR)プレトレーニングは、単一ソース表現を相互に強化するために、モダリティの相乗効果を求める。
我々は、アライメントの少ないテキスト・ベッター・シナジーの先駆者であるCoDe-MAEを提案する。
CoDe-MAEは、表現の劣化を防ぎ、多様な単一および双方向の下流タスクにまたがる新しい最先端のパフォーマンスを確立する。
論文 参考訳（メタデータ） (2026-04-18T10:23:00Z) - Towards Domain-Generalized Open-Vocabulary Object Detection: A Progressive Domain-invariant Cross-modal Alignment Method [59.30562121800656]
Open-Vocabulary Object Detectionは、新しいカテゴリへの一般化において大きな成功を収めた。
我々は、OVODパラダイムの原則的な見直しを行い、根本的な脆弱性を明らかにする。
PICA(Progressive Domain-invariant Cross-Modal Alignment)を提案する。
論文 参考訳（メタデータ） (2026-03-29T07:39:31Z) - CURVE: Learning Causality-Inspired Invariant Representations for Robust Scene Understanding via Uncertainty-Guided Regularization [30.613712415224473]
CURVEは、変動不確実性モデリングと不確実性誘導構造正規化を統合し、高分散関係を抑制するフレームワークである。
具体的には,環境依存的変動から不変な相互作用力学を解離させ,スパースかつ領域安定なトポロジを促進させる。
実験により,CURVEをゼロショット転送と低データのsim-to-real適応で評価し,領域安定なスパーストポロジの学習能力を検証するとともに,分布シフト下でのリスク予測を支援するための信頼性の高い不確実性推定を行う。
論文 参考訳（メタデータ） (2026-01-28T08:15:56Z) - Object Detectors in the Open Environment: Challenges, Solutions, and Outlook [95.3317059617271]
オープン環境のダイナミックで複雑な性質は、オブジェクト検出器に新しくて恐ろしい挑戦をもたらす。
本稿では,オープン環境におけるオブジェクト検出器の総合的なレビューと解析を行う。
データ/ターゲットの変化の次元に基づいて、4つの四分法(ドメイン外、カテゴリ外、堅牢な学習、漸進的な学習)を含むフレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-24T19:32:39Z) - Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。
この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。
本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-06-08T04:09:13Z)
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。