論文の概要: Can Tainted Pixels Expose Deepfake Videos?
- arxiv url: http://arxiv.org/abs/2608.27492v1
- Date: Wed, 26 Aug 2026 15:39:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.081885
- Title: Can Tainted Pixels Expose Deepfake Videos?
- Title（参考訳）: ディープフェイク動画をタイピングできる?
- Abstract要約: 非対称な視界トレードオフを中心に構築されたプロアクティブなビデオ保護手法であるTaintedPixelsを紹介する。
TaintedPixelsは、構造化された周期的な摂動を顔領域の青いチャネルに注入し、視認性、カラーキャスト、ビデオレベルのLPIPS予算を洗練させる。
私たちはTaintedPixelsがブラックボックス操作ツールに特化して設計された最初のプロアクティブディフェンスであると信じています。
- 参考スコア（独自算出の注目度）: 8.375316880029109
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Publicly-acceesible face-manipulation tools have made deepfake creation accessible to non-expert users. Against these, existing defenses are mostly post-hoc, detecting only after forgery has occurred, and operating on still images rather than videos. Research is lacking in i) the proactive protection of published facial videos against black-box manipulation tools, and in (ii) understanding its perceptual effect on human viewers. We introduce TaintedPixels, a proactive video-protection method built around an asymmetric visibility trade-off: the embedded watermark should remain inconspicuous in the published video but become obvious once a downstream tool manipulates the video. TaintedPixels injects structured periodic perturbations into the blue channel of facial regions and refines them under stripe-visibility, color-cast, and video-level LPIPS budgets, with lightweight motion-adaptive deployment. We believe TaintedPixels is the first proactive defense designed specifically against black-box manipulation tools rather than image-level pipelines or specific surrogate generators. Across three publicly available off-the-shelf video manipulation tools and two off-the-shelf detectors, TaintedPixels attains the highest forgery fake rate while keeping perturbations small (LPIPS = 0.0042). Our non-expert human study, conducted on a diverse set of 300 video stimuli spanning different lighting conditions, backgrounds, and skin tones, shows that protected source videos draw a 3.26% suspicion rate, while forgeries from protected sources are identified as fake much more often than forgeries from unprotected sources (90.72% vs. 56.71%). This validates the effectiveness of TaintedPixels.
- Abstract（参考訳）: パブリックに認識可能な顔操作ツールは、ディープフェイク作成を専門家でないユーザーでも利用できるようにしている。
これに対して、既存の防御は、主にポストホックであり、偽造事件の後にのみ検出し、ビデオではなく静止画で操作する。
研究の欠如
一 ブラックボックス操作ツールに対する公開顔ビデオの積極的に保護すること。
二 人間の視聴者に対する知覚的効果を理解すること。
非対称な視界トレードオフを中心に構築されたプロアクティブなビデオ保護手法であるTaintedPixelsを紹介した。
TaintedPixelsは、構造化された周期的な摂動を顔領域の青いチャネルに注入し、それをストライプ可視性、カラーキャスト、ビデオレベルのLPIPS予算の下で洗練し、軽量なモーション適応デプロイメントを実現する。
TaintedPixelsは、イメージレベルのパイプラインや特定のサロゲートジェネレータではなく、ブラックボックス操作ツールに特化して設計された最初のプロアクティブディフェンスであると考えています。
市販のオフザシェルフビデオ操作ツールと2つのオフザシェルフ検出ツールのうち、TaintedPixelsは摂動を小さく保ちながら最も偽造率が高い(LPIPS = 0.0042)。
我々の非専門家による研究では、異なる照明条件、背景、肌のトーンにまたがる300種類のビデオ刺激に基づいて、保護されたソースビデオが3.26%の疑念を惹きつける一方、保護されていないソースの偽造品は、保護されていないソースの偽造品(90.72% vs. 56.71%)よりもはるかに頻繁に偽造されていることが示された。
これはTaintedPixelsの有効性を検証する。
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) - Privacy Beyond Pixels: Latent Anonymization for Privacy-Preserving Video Understanding [56.369026347458835]
本稿では,ビデオ基盤モデルにおける視覚的プライバシ保護の新たな定式化について紹介する。
入力ピクセルレベルの匿名化に関する現在のプライバシー保護手法では、ユーティリティビデオモデル全体を再トレーニングする必要がある。
軽量な Anonym Adapter Module (AAM) は、一般的なタスクユーティリティを維持しながら、ビデオ機能からプライベート情報を除去する。
論文 参考訳（メタデータ） (2025-11-11T18:56:27Z) - Noise-Coded Illumination for Forensic and Photometric Video Analysis [11.507609566604664]
シーンの照明に非常に微妙なノイズのような変調を組み込むことによって、この利点に対処できることを示す。
提案手法は,符号化照明下で記録されたビデオに時間的透かしを効果的に追加する。
敵が我々の技術が使われていることを知っていても、解読可能なコード化されたフェイクビデオを作ることで、元の敵対的コンテンツ生成問題の第二の、より難しいバージョンを解決できることが示される。
論文 参考訳（メタデータ） (2025-07-30T18:08:34Z) - Deepfake detection in videos with multiple faces using geometric-fakeness features [79.16635054977068]
被害者や人物のディープフェイクは、脅迫、ゆがみ、金融詐欺の詐欺師によって使用される。
本研究では,映像中の顔の存在の動的度を特徴付ける幾何学的フェイクネス機能(GFF)を提案する。
我々は、ビデオに同時に存在する複数の顔でビデオを分析するために、我々のアプローチを採用している。
論文 参考訳（メタデータ） (2024-10-10T13:10:34Z) - Turn Fake into Real: Adversarial Head Turn Attacks Against Deepfake
Detection [58.1263969438364]
本稿では,3次元対向顔視によるディープフェイク検出器に対する最初の試みとして,対向頭部旋回(AdvHeat)を提案する。
実験では、現実的なブラックボックスシナリオにおいて、様々な検出器のAdvHeatに対する脆弱性を検証する。
さらなる分析により、AdvHeatは、クロス検出器転送性と防御に対する堅牢性の両方に対する従来の攻撃よりも優れていることが示されている。
論文 参考訳（メタデータ） (2023-09-03T07:01:34Z) - Robust Watermarking for Video Forgery Detection with Improved
Imperceptibility and Robustness [30.611167333725408]
本稿では,ローカライゼーションを改ざんするためのビデオ透かしネットワークを提案する。
我々は3D-UNetベースの透かし埋め込みネットワークと、改ざんマスクを予測するデコーダを共同で訓練する。
実験結果から, 透かしの精度が良好で, 改ざん箇所の精度も高い透かし付き映像が生成できることが示唆された。
論文 参考訳（メタデータ） (2022-07-07T16:27:10Z) - Audio-Visual Person-of-Interest DeepFake Detection [77.04789677645682]
本研究の目的は、現実世界で遭遇する様々な操作方法やシナリオに対処できるディープフェイク検出器を提案することである。
我々は、対照的な学習パラダイムを活用して、各アイデンティティに対して最も識別しやすい、移動面と音声セグメントの埋め込みを学習する。
本手法は,シングルモダリティ(オーディオのみ,ビデオのみ)とマルチモダリティ(オーディオビデオ)の両方を検出でき,低品質・低画質ビデオに対して堅牢である。
論文 参考訳（メタデータ） (2022-04-06T20:51:40Z) - FaceSigns: Semi-Fragile Neural Watermarks for Media Authentication and
Countering Deepfakes [25.277040616599336]
近年のリアルな画像合成技術やビデオ合成技術の発展により、ディープフェイクやメディアの操作は目覚ましい脅威になりつつある。
本稿では,画像画素に埋め込まれた見えない秘密メッセージを検証することによってメディア認証を可能にする,深層学習に基づく半フレギール透かし手法を提案する。
論文 参考訳（メタデータ） (2022-04-05T03:29:30Z) - Watch Those Words: Video Falsification Detection Using Word-Conditioned
Facial Motion [82.06128362686445]
本稿では,安価なディープフェイクと視覚的に説得力のあるディープフェイクの両方を扱うためのマルチモーダルな意味法医学的アプローチを提案する。
帰属という概念を利用して、ある話者と他の話者を区別する個人固有の生体パターンを学習する。
既存の個人固有のアプローチとは異なり、この手法は口唇の操作に焦点を当てた攻撃にも有効である。
論文 参考訳（メタデータ） (2021-12-21T01:57:04Z) - What's wrong with this video? Comparing Explainers for Deepfake
Detection [13.089182408360221]
Deepfakesは、個人の顔が別の顔に置き換えられたコンピュータ操作されたビデオです。
本研究では,実映像と偽動画のラベル付けを説明するために,ホワイトボックス,ブラックボックス,モデル固有の手法を開発し,拡張し,比較する。
特に,shap,gradcam,self-attentionモデルを用いて,高効率ネットに基づく最先端検出器の予測を説明する。
論文 参考訳（メタデータ） (2021-05-12T18:44:39Z) - Detecting Deepfake Videos Using Euler Video Magnification [1.8506048493564673]
Deepfakeのビデオは、高度な機械学習技術を使ってビデオを操作している。
本稿では,ディープフェイク映像の識別技術について検討する。
提案手法では,Euler手法から抽出した特徴を用いて,偽造映像と未修正映像を分類する3つのモデルを訓練する。
論文 参考訳（メタデータ） (2021-01-27T17:37:23Z)
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。