論文の概要: Preserving Knowledge across Space and Time for Continual Video Deepfake Detection

• arxiv url: http://arxiv.org/abs/2609.03446v1
• Date: Thu, 03 Sep 2026 07:02:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:38.962433
• Title: Preserving Knowledge across Space and Time for Continual Video Deepfake Detection
• Title（参考訳）: 連続的ビデオディープフェイク検出のための空間的・時間的知識の保存
• Abstract要約: ディープフェイクビデオは、空間と時間の両方に異なる証拠を残している。 連続的なディープフェイクビデオ検出フレームワーク, Modality-Specific Frequency Distillation (MSFD) を導入する。 MSFDはビデオの特徴を空間的、時間的、時間的モダリティに明示的に分解する。
• 参考スコア（独自算出の注目度）: 14.990460352014827
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The continuous emergence of high-quality video deepfakes requires detectors that continually adapt to new forgery patterns, yet existing approaches, which are designed for deepfake images, fail to capture video-specific cues. Unlike deepfake images that contain only spatial artifacts, deepfake videos leave distinct evidence along both spatial and temporal axes, necessitating the separate preservation of each modality during sequential model updates. To overcome this limitation, we introduce a continual deepfake video detection framework, Modality-Specific Frequency Distillation (MSFD), that explicitly decomposes video features into spatial, temporal, and spatiotemporal modalities in the frequency domain. This decomposition enables independent preservation of each modality, as different deepfake video types exhibit varying reliance on spatial and temporal cues across tasks. Furthermore, MSFD adopts a cross-modality decorrelation loss that encourages spatiotemporal representations to remain orthogonal to single-modality cues. Extensive experiments show that our framework achieves stronger adaptation and preserves performance more effectively than state-of-the-art methods across diverse continual deepfake video scenarios.
• Abstract（参考訳）: 高品質なビデオディープフェイクの継続的な出現は、新しい偽造パターンに継続的に適応する検出器を必要とするが、ディープフェイク画像用に設計された既存のアプローチは、ビデオ固有のキューをキャプチャできない。 空間的アーティファクトのみを含むディープフェイク画像とは異なり、ディープフェイクビデオは、空間的および時間的軸の両方に沿って異なる証拠を残し、シーケンシャルなモデル更新の間、それぞれのモダリティを個別に保存する必要がある。 この制限を克服するために、連続的なディープフェイクビデオ検出フレームワークであるModality-Specific Frequency Distillation (MSFD)を導入する。 この分解により、各モードの独立な保存が可能となり、様々なディープフェイクビデオタイプがタスク間の空間的および時間的手がかりに依存する。 さらに、MSFDは、時空間表現が単一モダリティキューに直交し続けることを奨励するクロスモダリティデコリレーション損失を採用する。 大規模な実験により,我々のフレームワークは,様々な連続的なディープフェイク映像シナリオにまたがる最先端の手法よりも,より強力な適応を実現し,性能を保ち得ることが示された。

関連論文リスト

• UCM: Unifying Camera Control and Memory with Time-aware Positional Encoding Warping for World Models [54.564740558030245]
  UCMは、長期記憶と正確なカメラ制御をタイムアウェアな位置符号化変換機構を介して統合する新しいフレームワークである。 我々はまた、ポイントクラウドベースのレンダリングを利用したスケーラブルなデータキュレーション戦略を導入し、シーンの再考をシミュレートする。
  論文  参考訳（メタデータ） (2026-02-26T12:54:46Z)
• DiTVR: Zero-Shot Diffusion Transformer for Video Restoration [48.97196894658511]
  DiTVRはゼロショットビデオ復元フレームワークで、拡散トランスフォーマーと軌跡を意識した注意と流れ一貫したサンプルを結合する。 我々の注意機構は、光流路に沿ってトークンを整列させ、特に時間力学に最も敏感な重要な層に重点を置いている。 フローガイドされたサンプリング装置は、低周波帯域にのみデータの一貫性を注入し、キャッシュを加速させながら高周波事前保存を行う。
  論文  参考訳（メタデータ） (2025-08-11T09:54:45Z)
• Video Forgery Detection with Optical Flow Residuals and Spatial-Temporal Consistency [1.7061868168035932]
  本稿では,RGBの外観特徴と光流動残差を組み合わせ,空間的時間的整合性を利用する検出フレームワークを提案する。 これらの相補的特徴を統合することにより,提案手法は広範囲の偽動画を効果的に検出する。
  論文  参考訳（メタデータ） (2025-08-01T07:51:35Z)
• NormalCrafter: Learning Temporally Consistent Normals from Video Diffusion Priors [6.7253553166914255]
  ビデオ拡散モデルの本質的な時間的先行性を活用するために,NormalCrafterを提案する。 シーケンス間の高忠実度正規推定を実現するために,セマンティック特徴正規化を提案する。 また,長時間の時間的文脈を維持しながら空間的精度を維持するための2段階トレーニングプロトコルも導入した。
  論文  参考訳（メタデータ） (2025-04-15T17:39:07Z)
• Weakly Supervised Video Anomaly Detection and Localization with Spatio-Temporal Prompts [57.01985221057047]
  本稿では、事前学習された視覚言語モデル(VLM)に基づく、弱教師付きビデオ異常検出および局所化のための時間的プロンプト埋め込み(WSVADL)を学習する新しい手法を提案する。 提案手法は,WSVADLタスクの3つの公開ベンチマークにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-08-12T03:31:29Z)
• Unearthing Common Inconsistency for Generalisable Deepfake Detection [8.327980745153216]
  ビデオレベル1は、複数のドメインにまたがる一般化と圧縮に対する堅牢性の両方を持つ可能性を示している。 本稿では,異なる偽造技術に広く存在するフレーム不整合を捉えることによって検出手法を提案する。 本研究では,時間的に保存されたモジュール法を導入し,空間雑音の摂動を導入し,時間的情報に対するモデルの注意を向ける。
  論文  参考訳（メタデータ） (2023-11-20T06:04:09Z)
• Detecting Deepfake by Creating Spatio-Temporal Regularity Disruption [94.5031244215761]
  本稿では,実際のビデオにない「規則性破壊」を識別することで,ディープフェイク検出の一般化を促進することを提案する。 具体的には、空間的・時間的特性を慎重に調べることで、擬似フェイク発生器による実映像の破壊を提案する。 このような手法により,フェイクビデオを使わずにディープフェイク検出が可能となり,よりシンプルかつ効率的に一般化能力を向上させることができる。
  論文  参考訳（メタデータ） (2022-07-21T10:42:34Z)
• Implicit Motion Handling for Video Camouflaged Object Detection [60.98467179649398]
  本稿では,新しいビデオカモフラージュオブジェクト検出(VCOD)フレームワークを提案する。 短期的および長期的整合性を利用して、ビデオフレームからカモフラージュされたオブジェクトを検出する。
  論文  参考訳（メタデータ） (2022-03-14T17:55:41Z)
• Video Salient Object Detection via Contrastive Features and Attention Modules [106.33219760012048]
  本稿では,注目モジュールを持つネットワークを用いて,映像の有意な物体検出のためのコントラスト特徴を学習する。 コアテンションの定式化は、低レベル特徴と高レベル特徴を組み合わせるために用いられる。 提案手法は計算量が少なく,最先端の手法に対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2021-11-03T17:40:32Z)
• Spatio-temporal Features for Generalized Detection of Deepfake Videos [12.453288832098314]
  我々は3D CNNによってモデル化された時間的特徴を提案し、新しい種類のディープビデオを検出する能力を拡張した。 提案手法は,一般化能力において既存手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-22T16:28:50Z)

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。