論文の概要: Adaptive Gated Deepfake Detection for Low-Resolution and Resource-Constrained Environments

• arxiv url: http://arxiv.org/abs/2609.05320v1
• Date: Fri, 04 Sep 2026 16:14:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:24.113054
• Title: Adaptive Gated Deepfake Detection for Low-Resolution and Resource-Constrained Environments
• Title（参考訳）: 低解像度・資源制約環境に対する適応型ゲート型ディープフェイク検出
• Abstract要約: 本稿では,適応型ゲート型ディープフェイク検出フレームワークであるAdaGate-DFを提案する。 AdaGate-DFは、画像品質の手がかりを使用して、サンプルをデュアルマルチエグジットシステムにルーティングすることで、高品質な画像が早期に終了し、計算を省くことができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deepfake detection models often rely on high-quality inputs, fixed inference paths, and computationally expensive architectures, limiting their use in low-resolution and resource-constrained settings. This paper proposes AdaGate-DF, an adaptive gated deepfake detection framework that uses image-quality cues to route samples through a dual multi-exit system so high-quality images can exit earlier and save compute. We evaluated AdaGate-DF against MaD-CoRN, DefakeHop++, and ShuffleNetV2 on two benchmark datasets (Celeb-DF and FaceForensics++) under multiple configurations to test image resolution dependence and training and inference efficiency. On Celeb-DF, AdaGate-DF achieves an AUC of 0.9370, outperforming MaD-CoRN and DefakeHop++ while maintaining a low inference latency. Resolution-based testing shows consistent improvement as input resolution increases, reaching an AUC of 0.9708 at 384 by 384. The FaceForensics++ results highlight that AdaGate-DF remains effective under class imbalance, following competitive results with evaluated models. Overall, AdaGate-DF demonstrated a practical balance between detection performance, uncertainty-aware prediction, and computational efficiency for variable-quality deepfake detection.
• Abstract（参考訳）: ディープフェイク検出モデルは、しばしば高品質な入力、固定された推論パス、計算コストの高いアーキテクチャに依存し、低解像度でリソース制約のある設定での使用を制限する。 AdaGate-DFは、画像品質の手がかりを用いて、高画質の画像が早期に退去し、計算を節約できるように、デュアルマルチエグジットシステムを介してサンプルをルーティングする適応ゲート型ディープフェイク検出フレームワークである。 AdaGate-DFとMaD-CoRN, DefakeHop++, ShuffleNetV2の2つのベンチマークデータセット(Celeb-DF, FaceForensics++)を比較し,画像解像度依存性とトレーニング,推論効率の検証を行った。 Celeb-DFでは、AdaGate-DFが0.9370のAUCを達成した。 解像度ベースのテストでは、入力解像度が増加するにつれて一貫した改善が見られ、AUCは384 x 384で0.9708に達した。 FaceForensics++の結果は、AdaGate-DFがクラス不均衡の下で有効であり、評価されたモデルと競合する結果であることを示している。 全体として、AdaGate-DFは、検出性能、不確実性を考慮した予測、および可変品質のディープフェイク検出のための計算効率の実際のバランスを実証した。

関連論文リスト

• Amped: Adaptive Multi-stage Non-edge Pruning for Edge Detection [53.59823657644554]
  エッジ検出のための適応型多段非エッジプルーニングフレームワーク(Amped)を提案する。 Ampedは高信頼の非エッジトークンを識別し、可能な限り早く削除し、計算を大幅に削減する。 既存のエッジ検出ネットワークの構造的複雑さを軽減するため,Streamline Edge Detector(SED)と呼ばれる,シンプルながら高性能なTransformerベースのモデルを導入する。
  論文  参考訳（メタデータ） (2026-03-29T12:26:35Z)
• Diffusion Probe: Generated Image Result Prediction Using CNN Probes [33.97515945308048]
  テキスト・ツー・イメージ(T2I)拡散モデルには、早期品質評価のための効率的なメカニズムが欠けている。 Diffusion Probeは、内部横断マップを予測信号として利用するフレームワークである。 拡散プローブはモデルに依存しない、効率的で、広く適用でき、T2I生成効率を改善するための実用的なソリューションを提供する。
  論文  参考訳（メタデータ） (2026-02-27T08:24:47Z)
• Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
  アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。 大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。 本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
  論文  参考訳（メタデータ） (2025-10-08T10:09:47Z)
• Practical Manipulation Model for Robust Deepfake Detection [55.2480439325792]
  画像超解像領域において,より現実的な劣化モデルを構築した。 擬似フェイクの空間を、ポアソンブレンディング、より多様なマスク、ジェネレータアーティファクト、およびイントラクタを用いて拡張する。 DFDCデータセットとDFDCPデータセットでは、それぞれ3.51%$と6.21%$AUCが明らかに増加した。
  論文  参考訳（メタデータ） (2025-06-05T15:06:16Z)
• 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)
• Feature Attenuation of Defective Representation Can Resolve Incomplete Masking on Anomaly Detection [1.0358639819750703]
  教師なし異常検出(UAD)研究では、計算効率が高くスケーラブルなソリューションを開発する必要がある。 再建・塗り替えのアプローチを再考し、強みと弱みを分析して改善する。 異常再構成の特徴情報を減衰させる2つの層のみを用いるFADeR(Feature Attenuation of Defective Representation)を提案する。
  論文  参考訳（メタデータ） (2024-07-05T15:44:53Z)
• DifFIQA: Face Image Quality Assessment Using Denoising Diffusion Probabilistic Models [1.217503190366097]
  顔画像品質評価(FIQA)技術は、これらの性能劣化を軽減することを目的としている。 拡散確率モデル(DDPM)に基づく強力な新しいFIQA手法DifFIQAを提案する。 拡散に基づく摂動は計算コストが高いため、DifFIQA(R)と呼ばれる回帰ベースの品質予測器にDifFIQAで符号化された知識を蒸留する。
  論文  参考訳（メタデータ） (2023-05-09T21:03:13Z)
• Exploring Resolution and Degradation Clues as Self-supervised Signal for Low Quality Object Detection [77.3530907443279]
  劣化した低解像度画像中の物体を検出するための,新しい自己教師型フレームワークを提案する。 本手法は, 既存手法と比較して, 異変劣化状況に直面する場合に比べ, 優れた性能を示した。
  論文  参考訳（メタデータ） (2022-08-05T09:36:13Z)
• Quality Assessment of Image Super-Resolution: Balancing Deterministic and Statistical Fidelity [14.586878663223832]
  決定論的忠実度(DF)と統計的忠実度(SF)の2次元(2次元)空間におけるSR画像品質評価(SR IQA)の問題点を考察する。 本稿では,この2つの忠実度尺度を,超解像忠実度指数(SRIF)と呼ばれる全体的な品質予測にマージする不確実性重み付け手法を提案する。
  論文  参考訳（メタデータ） (2022-07-15T02:09:17Z)
• SALISA: Saliency-based Input Sampling for Efficient Video Object Detection [58.22508131162269]
  ビデオオブジェクト検出のための新しい一様SALiencyベースの入力SAmpling技術であるSALISAを提案する。 SALISAは小物体の検出を著しく改善することを示す。
  論文  参考訳（メタデータ） (2022-04-05T17:59:51Z)

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。