論文の概要: Explainable Deepfake Detection with Feature-robust Augmentation and Evidence-grounded Explanation Optimization
- arxiv url: http://arxiv.org/abs/2608.20913v1
- Date: Fri, 21 Aug 2026 09:30:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-24 14:49:32.495536
- Title: Explainable Deepfake Detection with Feature-robust Augmentation and Evidence-grounded Explanation Optimization
- Title（参考訳）: Evidence-grounded Explanation Optimization を用いた特徴量拡張による説明可能なディープフェイク検出
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 46.970316236873515
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Explainable deepfake detection extends binary classification by requiring models to not only predict authenticity but also provide interpretable justifications. This expanded scope is critical in practice, where users like forensic analysts need insight into the rationale behind the detection. Despite advancements, current approaches suffer from two critical deficiencies: (1)vulnerability to image quality degradation: detection accuracy plummets on low-quality samples, while naive augmentation strategies may induce feature drift and impair performance as diversity expands. (2) factually flawed explanations: explanation models may omit manipulation evidence or hallucinate irrelevant details, undermining interpretability. To address it, we propose a framework with two innovations. For robust deepfake detection, we introduce Feature-robust Augmentation, which comprises diversified degradation-aware augmentation strategies, and a supervised contrastive learning pattern paired with a mean-teacher architecture that stabilizes features against augmentations through consistency constraints. For explanation, we devise an evidence-grounded preference optimization process that guides model to prioritize genuine manipulation traces by learning from chosen-rejected explanation pairs, where rejected samples are constructed via evidence omission or irrelevant information injection. The proposed approach wins the first place in ACM Multimedia 2026 Explainable Deepfake Detection Challenge.The code is available at https://github.com/oceanflowlab/EDD.git.
- Abstract（参考訳）: 説明可能なディープフェイク検出は、モデルの真正性を予測するだけでなく、解釈可能な正当化を提供することによってバイナリ分類を拡張する。
この拡張されたスコープは、調査アナリストのようなユーザが、検出の背後にある理論的根拠を理解する必要がある、実際に極めて重要である。
1)画像品質の劣化に対する過敏性: 低品質サンプルに対する検出精度の低下、一方、単純増強戦略は、多様性が拡大するにつれて特徴の漂流と性能の低下を引き起こす可能性がある。
2) 事実的に欠陥のある説明: 説明モデルは、操作証拠を省略したり、無関係な詳細を幻覚させ、解釈可能性を妨げることがある。
この問題に対処するため、我々は2つの革新を伴うフレームワークを提案する。
強靭なディープフェイク検出のために,劣化認識強化戦略の多様化と,制約制約を通した機能強化対策を安定化する平均教師アーキテクチャとの組み合わせによる教師付きコントラスト学習パターンを含む特徴量拡張を導入する。
提案手法では,提案手法を用いて提案手法を設計し,提案手法を用いて提案手法を設計し,提案手法を用いて提案手法を導出する。
提案されたアプローチは、ACM Multimedia 2026 Explainable Deepfake Detection Challengeで初当選した。コードはhttps://github.com/oceanflowlab/EDD.gitで公開されている。
関連論文リスト
- 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) - Dual-Teacher Distillation with Subnetwork Rectification for Black-Box Domain Adaptation [69.7036779439312]
ブラックボックスドメイン適応は、非常に実用的で非常に困難な設定である。
ブラックボックスソースモデルに埋め込まれた特定の知識を活用するサブネットワーク整合モデル(DDSR)を用いた二重蒸留法を提案する。
我々の手法は、ソースデータやモデルの使用を含む、最先端の手法に対する一貫した改善を実証する。
論文 参考訳（メタデータ） (2026-03-24T07:54:19Z) - Reason-IAD: Knowledge-Guided Dynamic Latent Reasoning for Explainable Industrial Anomaly Detection [85.29900916231655]
Reason-IADは、説明可能な産業異常検出のための知識誘導型動的潜在推論フレームワークである。
実験により、Reason-IADは最先端の手法よりも一貫して優れていることが示された。
論文 参考訳（メタデータ） (2026-02-10T14:54:17Z) - ExposeAnyone: Personalized Audio-to-Expression Diffusion Models Are Robust Zero-Shot Face Forgery Detectors [58.45131932883374]
ビデオ中のディープフェイクを検出するための完全自己教師型アプローチを提案する。
本モデルでは,拡散再構成誤差を用いて,疑わしい映像とパーソナライズされた被写体との同一性距離を算出する。
本手法は, ボケや圧縮などの汚損に対して極めて堅牢であり, 現実の顔偽造検出への適用性を強調している。
論文 参考訳（メタデータ） (2026-01-05T18:59:54Z) - Generalizable Speech Deepfake Detection via Information Bottleneck Enhanced Adversarial Alignment [48.73836179661632]
信頼誘導対向アライメントは、識別的手がかりを消去することなく攻撃固有のアーティファクトを適応的に抑制する。
IB-CAANは、多くのベンチマークにおいて、ベースラインと最先端のパフォーマンスを一貫して上回る。
論文 参考訳（メタデータ） (2025-09-28T03:48:49Z) - Unmasking Synthetic Realities in Generative AI: A Comprehensive Review of Adversarially Robust Deepfake Detection Systems [4.359154048799454]
ディープフェイク拡散合成メディアは、デジタルセキュリティ、誤情報緩和、アイデンティティ保護に挑戦する。
本研究の体系的レビューでは, 再現性のある実装の透明性と検証を重視した, 最先端のディープフェイク検出手法の評価を行う。
1) 統計的異常や階層的特徴抽出を利用した完全合成メディアの検出,(2) 視覚的アーティファクトや時間的不整合といったマルチモーダルな手がかりを用いた実コンテンツ中の操作された領域の局在化。
論文 参考訳（メタデータ） (2025-07-24T22:05:52Z) - Counterfactual Explanations for Face Forgery Detection via Adversarial Removal of Artifacts [23.279652897139286]
ディープフェイクとして知られる、非常にリアルなAI生成顔偽造は、深刻な社会的懸念を引き起こしている。
本稿では,人工物除去の観点からの顔偽造検出の非現実的説明を行う。
本手法は,90%以上の攻撃成功率と優れた攻撃伝達性を実現する。
論文 参考訳（メタデータ） (2024-04-12T09:13:37Z) - 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) - ContraFeat: Contrasting Deep Features for Semantic Discovery [102.4163768995288]
StyleGANは、アンタングル化セマンティックコントロールの強い可能性を示している。
StyleGANの既存の意味発見手法は、修正された潜在層を手作業で選択することで、良好な操作結果が得られる。
本稿では,このプロセスを自動化し,最先端のセマンティック発見性能を実現するモデルを提案する。
論文 参考訳（メタデータ） (2022-12-14T15:22:13Z)
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。