論文の概要: DFD-Lab: A Modular Audio-Visual Deepfake Detection Pipeline

• arxiv url: http://arxiv.org/abs/2609.23830v1
• Date: Sun, 20 Sep 2026 19:29:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.00593
• Title: DFD-Lab: A Modular Audio-Visual Deepfake Detection Pipeline
• Title（参考訳）: DFD-Lab: モジュール型オーディオ・ビジュアルディープフェイク検出パイプライン
• Abstract要約: DFD-Labは、共有トレーニングと評価をサポートしながら責任を分離するモジュールパイプラインである。 Xception-based maximum-logit fusion, ResNet with temporal LSTM fusion, AVFF reimplementation の3つの実装を統合した。 実験では、外部テスト、劣化ベースのトレーニング強化、評価時間の破損がカバーされている。
• 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: Comparing audio-visual deepfake detectors requires coordinating dataset adaptation, temporal input representation, model interfaces and experimental conditions. We present DFD-Lab, a modular pipeline that separates these responsibilities while supporting shared training and evaluation workflows. We integrate three implementations: Xception-based maximum-logit fusion, ResNet with temporal LSTM fusion, and our AVFF reimplementation. Experiments cover external testing, degradation-based training augmentation and evaluation-time corruption. On a filtered subset of Deepfake-Eval-2024, models trained on FakeAVCeleb attain baseline AUROC values of 0.504, 0.538 and 0.458. JPEG50 training augmentation raises these to 0.691, 0.605 and 0.570, respectively, while all three accuracies decrease. These results illustrate why training interventions, evaluation corruptions and metric-dependent outcomes should remain distinct within a common pipeline. The contribution is the integration of audio-visual processing, interchangeable detectors and configurable experimental workflows, supported by empirical case studies. The findings highlight the challenge of cross-dataset detection and the complementary information provided by ranking and classification metrics.
• Abstract（参考訳）: 音声-視覚的ディープフェイク検出器を比較するには、データセット適応、時間的入力表現、モデルインターフェース、実験条件の調整が必要である。 共有トレーニングと評価ワークフローをサポートしながら、これらの責任を分離するモジュールパイプラインであるDFD-Labを紹介します。 Xception-based maximum-logit fusion, ResNet with temporal LSTM fusion, AVFF reimplementation の3つの実装を統合した。 実験では、外部テスト、劣化ベースのトレーニング強化、評価時間の破損がカバーされている。 Deepfake-Eval-2024のフィルタされたサブセットでは、FakeAVCelebで訓練されたモデルは、0.504、0.538、0.458のベースラインAUROC値を得ることができた。 JPEG50トレーニングは、それぞれ0.691、0.605、0.570に増加し、3つのアキュラシーは減少する。 これらの結果は、トレーニングの介入、評価の腐敗、およびメートル法に依存した結果が共通のパイプライン内で区別されるべき理由を示している。 この貢献は、経験的ケーススタディによって支援されたオーディオ視覚処理、交換可能な検出器、設定可能な実験ワークフローの統合である。 この結果は、クロスデータセット検出の課題と、ランキングと分類の指標によって提供される相補的な情報を強調している。

関連論文リスト

• Machine Learning-Based Ultrasonic Weld Characterization Using Hierarchical Wave Modeling and Diffusion-Driven Distribution Alignment [0.0]
  この研究は、音響溶接検査のための機械学習(ML)ワークフローを提案することにより、データキュレーションと信号の破損の課題に対処する。 減階モデル、拡散に基づく分布アライメント、U-Netに基づくセグメント化とインバージョンを提案する。 このフレームワークは、実データの自動溶接検査のためのエンドツーエンドソリューションを提供する。
  論文  参考訳（メタデータ） (2025-10-14T22:38:57Z)
• A Tale of Two Experts: Cooperative Learning for Source-Free Unsupervised Domain Adaptation [59.88864205383671]
  Source-Free Unsupervised Domain Adaptation (SFUDA)は、ソースデータにアクセスすることなく、ターゲットドメインにソース学習モデルを適用するという現実的な課題に対処する。 既存のSFUDA手法は、ソースモデルの予測のみを利用するか、大きなマルチモーダルモデルを微調整する。 本稿では、補完的な洞察と対象データの潜在構造を利用するためのエキスパート協調学習(EXCL)を提案する。
  論文  参考訳（メタデータ） (2025-09-26T11:39:50Z)
• LENS-DF: Deepfake Detection and Temporal Localization for Long-Form Noisy Speech [35.36044093564255]
  LENS-DFは、オーディオディープフェイクの検出と時間的局在のトレーニングと評価のための、新しく包括的なレシピである。 自己教師型学習フロントエンドと単純なバックエンドに基づいて実験を行う。 その結果、LENS-DFで生成されたデータを用いてトレーニングしたモデルは、従来のレシピでトレーニングしたモデルよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2025-07-22T04:31:13Z)
• Crucial-Diff: A Unified Diffusion Model for Crucial Image and Annotation Synthesis in Data-scarce Scenarios [65.97836905826145]
  医療、産業、自動運転といったさまざまなシナリオにおけるデータの不足は、モデルの過度な適合とデータセットの不均衡につながる。 重要なサンプルを合成するドメインに依存しないフレームワークであるCrucial-Diffを提案する。 我々のフレームワークは多様な高品質なトレーニングデータを生成し、ピクセルレベルのAPは83.63%、F1-MAXは78.12%である。
  論文  参考訳（メタデータ） (2025-07-14T04:41:38Z)
• Closing the sim-to-real gap in guided wave damage detection with adversarial training of variational auto-encoders [0.0]
  我々は、信号処理技術が一般的に用いられる損傷検出の第一課題に焦点をあてる。 我々は、波動物理誘導逆数成分を用いたシミュレーションデータのみに基づいて、変分オートエンコーダのアンサンブルを訓練する。 提案手法を既存のディープラーニング検出手法と比較し,実験データ上での優れた性能を観察する。
  論文  参考訳（メタデータ） (2022-01-26T17:36:11Z)
• Disentangle Your Dense Object Detector [82.22771433419727]
  深層学習に基づく高密度物体検出器はここ数年で大きな成功を収め、ビデオ理解などのマルチメディアアプリケーションにも応用されてきた。 しかし、現在の高密度検出器の訓練パイプラインは、保持できない多くの接続に妥協されている。 そこで本研究では, 簡易かつ効果的な遠心分離機構を設計し, 現在の最先端検出器に統合するDED(Disentangled Dense Object Detector)を提案する。
  論文  参考訳（メタデータ） (2021-07-07T00:52:16Z)
• Bridging the Gap Between Clean Data Training and Real-World Inference for Spoken Language Understanding [76.89426311082927]
  既存のモデルはクリーンデータに基づいてトレーニングされ、クリーンデータトレーニングと現実世界の推論の間にtextitgapが発生する。 本稿では,良質なサンプルと低品質のサンプルの両方が類似ベクトル空間に埋め込まれた領域適応法を提案する。 広く使用されているデータセット、スニップス、および大規模な社内データセット(1000万のトレーニング例)に関する実験では、この方法は実世界の(騒々しい)コーパスのベースラインモデルを上回るだけでなく、堅牢性、すなわち、騒々しい環境下で高品質の結果を生み出すことを実証しています。
  論文  参考訳（メタデータ） (2021-04-13T17:54:33Z)
• iffDetector: Inference-aware Feature Filtering for Object Detection [70.8678270164057]
  Inference-aware Feature Filtering (IFF)モジュールを導入し、現代の検出器と簡単に組み合わせることができる。 IFFは、畳み込み機能を強化するためにハイレベルなセマンティクスを活用することでクローズドループ最適化を行う。 IFFはCNNベースの物体検出器とプラグアンドプレイ方式で融合でき、計算コストのオーバーヘッドは無視できる。
  論文  参考訳（メタデータ） (2020-06-23T02:57:29Z)

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。