論文の概要: LAION-Mobile: Evaluating Deepfake Detectors On One Million Smartphone Photos
- arxiv url: http://arxiv.org/abs/2609.11134v1
- Date: Thu, 10 Sep 2026 06:25:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.232616
- Title: LAION-Mobile: Evaluating Deepfake Detectors On One Million Smartphone Photos
- Title（参考訳）: LAION-Mobile:100万枚のスマートフォン写真からディープフェイク検出機を評価する
- Abstract要約: ほとんどのディープフェイク検出器は、基準ベンチマークでAUCのスコアがほぼ完璧なことを報告している。
最近のICMLポジションペーパーでは、これらの評価は現代のスマートフォン写真の影響を総括的に無視している。
LAION-5Bから抽出したEXIFメタデータを用いた約100万個のスマートフォン画像を含むオープンデータセットであるLAION-Mobileを紹介する。
- 参考スコア（独自算出の注目度）: 15.522790536128694
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most Deepfake detectors report near-perfect AUC scores on their reference benchmarks. However, a recent ICML position paper argues that these evaluations collectively neglect the impact of modern smartphone photography: the widely used on-device neural image-signal processing pipelines (like multi-sensor fusion or noise and motion-blur suppression) increasingly shift the imaging paradigm from simple lens projections towards computational photography. Hence, devices actually generate, rather than record photos. This increases the risk that deepfake detectors may flag ordinary phone photos as fake. Due to the lack of large-scale datasets containing images from modern smartphones, this hypothesis has so far only been tested in small proof-of-concept studies. The aim of this paper is to close this gap. We introduce LAION-Mobile, an open dataset containing about 1 million smartphone images with EXIF metadata distilled from re-LAION-5B. Evaluating twelve state-of-the-art deepfake detectors with their original paper checkpoints on a 9,115-image evaluation sample of this pool (DIRE on 738), we report three key findings: (i) On modern AI content no detector exceeds AUC 0.624, and five of twelve fall below chance. (ii) Real-photo false-alarm rates are an artefact of threshold calibration: thresholds fitted on legacy GAN data make several detectors look deployable (less than 11 percent FPR), yet the same detectors flag 17-91 percent of real photos once the identical criterion is refit on modern content. (iii) Consequently, no detector both beats chance on modern AI content and keeps a deployable real-photo false-alarm rate. Mirroring the device mix of web collections, the corpus probes the first neural-ISP generation (2018-2020); current flagships are essentially absent, leaving the modern-ISP regime as the open gap.
- Abstract（参考訳）: ほとんどのディープフェイク検出器は、基準ベンチマークでAUCのスコアがほぼ完璧なことを報告している。
しかし、最近のICMLのポジションペーパーでは、これらの評価は現代のスマートフォン写真の影響を総括的に無視していると主張している。
したがって、デバイスは写真を記録するのではなく、実際に生成するのだ。
これにより、ディープフェイク検知器が普通の携帯電話の写真を偽物としてフラグを立てるリスクが高まる。
現代のスマートフォンの画像を含む大規模なデータセットが不足しているため、この仮説は概念実証研究でしかテストされていない。
本論文の目的は,このギャップを埋めることである。
LAION-5Bから抽出したEXIFメタデータを用いた約100万個のスマートフォン画像を含むオープンデータセットであるLAION-Mobileを紹介する。
このプールの9,115画像評価サンプル(DIRE on 738)を用いて、12個の最先端ディープフェイク検出器の原紙チェックポイントによる評価を行い、3つの重要な知見を報告する。
i) 現代のAIコンテンツでは、検知器はAUC 0.624を超えておらず、12のうち5つが確率以下である。
旧来のGANデータに収まる閾値は、複数の検出器を展開可能(FPRが11%未満)にしますが、同一の基準が現代コンテンツに適合すると、同じ検出器が17-91%の実際の写真にフラグを付けます。
その結果、両方の検出器が現代のAIコンテンツにチャンスを及ぼし、デプロイ可能なリアルタイムの偽アラームレートを維持することができました。
ウェブコレクションの混在を反映して、コーパスは最初のニューラルISP世代(2018-2020)を探索している。
関連論文リスト
- Selfie-Capture Dynamics as an Auxiliary Signal Against Deepfakes and Injection Attacks for Mobile Identity Verification [4.2958409172092225]
モバイルリモートID認証(RIdV)システムは、顔のビデオストリームを操作または置換する攻撃にさらされる。
ETSI TS 119 461 や CEN/TS 18099 といったヨーロッパの近年の要求は、カメラベースのプレゼンテーション攻撃検出以上の補完的なエビデンスチャネルを動機付けている。
本稿では,自撮り撮影中に記録された受動運動軌跡が,スプーフスクリーニングとユーザ検証の補助的証拠となるかどうかを検討する。
論文 参考訳（メタデータ） (2026-04-30T20:46:18Z) - Fact or Fake? Assessing the Role of Deepfake Detectors in Multimodal Misinformation Detection [24.64785245180038]
我々は,マルチモーダルな誤情報検出の文脈において,ディープフェイク検出を初めて体系的に解析する。
ディープフェイク検出器は、MMFakeBenchで0.26-0.53、DGM4で0.33-0.49の範囲でF1スコアを達成している。
証拠中心のファクトチェックシステムは最高性能を達成し、MMFakeBenchで約0.81点、DGM4で約0.55点に達した。
論文 参考訳（メタデータ） (2026-02-02T09:28:16Z) - Evaluating Deepfake Detectors in the Wild [0.0]
本研究では,最新のディープフェイク検知装置の評価を行い,実世界のシナリオを模倣してディープフェイク検出を行う新しいテスト手法を提案する。
我々の分析によると、ディープフェイクの検出は依然として難しい課題である。
JPEG圧縮や画像強調などの基本的な画像操作は、モデルの性能を著しく低下させる。
論文 参考訳（メタデータ） (2025-07-29T15:17:00Z) - RAID: A Dataset for Testing the Adversarial Robustness of AI-Generated Image Detectors [57.81012948133832]
本稿では,72kの多種多様かつ高い変換可能な対向例からなるRAID(Robust Evaluation of AI- generated Image Detectors)を提案する。
提案手法は,未知の検出器に高い成功率で転送する逆画像を生成する。
以上の結果から,現在最先端のAI生成画像検出器は,敵の例によって容易に認識できることが示唆された。
論文 参考訳（メタデータ） (2025-06-04T14:16:00Z) - CO-SPY: Combining Semantic and Pixel Features to Detect Synthetic Images by AI [58.35348718345307]
実際の画像とAI生成画像を区別する現在の取り組みには、一般化が欠如している可能性がある。
既存のセマンティック機能を強化した新しいフレームワークCo-Spyを提案する。
また、5つの実画像データセットと22の最先端生成モデルからなる包括的データセットであるCo-Spy-Benchを作成します。
論文 参考訳（メタデータ） (2025-03-24T01:59:29Z) - Semi-Truths: A Large-Scale Dataset of AI-Augmented Images for Evaluating Robustness of AI-Generated Image detectors [62.63467652611788]
実画像27,600枚、223,400枚、AI拡張画像1,472,700枚を含むSEMI-TRUTHSを紹介する。
それぞれの画像には、検出器のロバスト性の標準化と目標評価のためのメタデータが添付されている。
以上の結果から,現状の検出器は摂動の種類や程度,データ分布,拡張方法に様々な感度を示すことが示唆された。
論文 参考訳（メタデータ） (2024-11-12T01:17:27Z) - Zero-Shot Detection of AI-Generated Images [54.01282123570917]
AI生成画像を検出するゼロショットエントロピー検出器(ZED)を提案する。
機械によるテキスト検出の最近の研究に触発された私たちのアイデアは、分析対象の画像が実際の画像のモデルと比較してどれだけ驚くかを測定することである。
ZEDは精度の点でSoTAよりも平均3%以上改善されている。
論文 参考訳（メタデータ） (2024-09-24T08:46:13Z) - FakeInversion: Learning to Detect Images from Unseen Text-to-Image Models by Inverting Stable Diffusion [18.829659846356765]
本稿では,オープンソース事前学習型安定拡散モデルを用いて得られた特徴を用いた新しい合成画像検出器を提案する。
これらの逆転により、検出器は高視力の未確認発電機によく一般化できることが示される。
本稿では, 逆画像探索を用いて, 検出器評価におけるスタイリスティックおよびテーマバイアスを緩和する, 新たな挑戦的評価プロトコルを提案する。
論文 参考訳（メタデータ） (2024-06-12T19:14:58Z) - Fewer is More: Efficient Object Detection in Large Aerial Images [59.683235514193505]
本稿では,検出者がより少ないパッチに注目するのに対して,より効率的な推論とより正確な結果を得るのに役立つObjectness Activation Network(OAN)を提案する。
OANを用いて、5つの検出器は3つの大規模な空中画像データセットで30.0%以上のスピードアップを取得する。
我々はOANをドライブシーン物体検出と4Kビデオ物体検出に拡張し,検出速度をそれぞれ112.1%,75.0%向上させた。
論文 参考訳（メタデータ） (2022-12-26T12:49:47Z) - Replacing Mobile Camera ISP with a Single Deep Learning Model [171.49776472948957]
PyNETは、きめ細かい画像復元のために設計された新しいピラミッド型CNNアーキテクチャである。
このモデルは、モバイルカメラセンサーから直接得たRAW Bayerデータを、プロのハイエンドDSLRカメラで撮影した写真に変換するように訓練されている。
論文 参考訳（メタデータ） (2020-02-13T14:22:39Z)
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。