論文の概要: You Can't Spot a Deepfake?And Neither Can Your Brain Nor Eyes: A Neurophysiological Framework for Deepfake Exploitation of Cognitive Engagement and Implicit Visual Evaluation

• arxiv url: http://arxiv.org/abs/2609.32769v1
• Date: Sat, 26 Sep 2026 16:46:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 20:30:46.006104
• Title: You Can't Spot a Deepfake?And Neither Can Your Brain Nor Eyes: A Neurophysiological Framework for Deepfake Exploitation of Cognitive Engagement and Implicit Visual Evaluation
• Title（参考訳）: ディープフェイクは見当たらない?そして脳も目も:認知エンゲージメントのディープフェイク爆発のための神経生理学的枠組み
• Abstract要約: 本稿では,DeceIVE(Deepfake Exploitation of Cognitive Engagement and Implicit Visual Evaluation)を紹介した。 我々は脳波と視線追跡研究を行い、参加者はリアル、ディープフェイク、ルックアライズなビデオを見た。 リアルビデオとディープフェイクビデオの間に統計的に有意な神経生理学的差異はみられなかったが、ルックライクなビデオでは明らかな区別が見られた。
• 参考スコア（独自算出の注目度）: 3.690418892641846
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deepfakes have rapidly emerged as a pressing threat to information integrity and security because they exploit human trust in visual and auditory perception. Yet, little is known about whether humans and their underlying (sub)conscious neuro-physiological processes can reliably distinguish deepfake from real videos. We introduce DECEIVE (Deepfake Exploitation of Cognitive Engagement and Implicit Visual Evaluation), a framework that models how deepfake videos are validated as adversarial payloads through behavioral and neuro-physiological screening of viewers, and how attacks can be refined by selecting payloads that evade detection. The framework is dataset agnostic and applies to synthetic or real media. It is inherently dual-use: an adversary with equivalent measurements could iterate on candidate manipulations and retain those that evade human detection. This motivates open, defensive evaluation. Measuring which deepfakes defeat human perception establishes a realistic bound on attacker capability against which detection tooling, provenance and watermarking mechanisms, and user-facing protections can be assessed. As an instantiation, we conducted an EEG and eye-tracking study in which participants viewed real, deepfake, and look-alike videos drawn from Celeb-DF and a curated celebrity set, while behavioral judgments and implicit responses were recorded. Contrary to expectations of subconscious differentiation suggested by prior work on paintings and phishing websites, no statistically significant neuro-physiological differences emerged between real and deepfake videos, although clear distinctions were observed for look-alike videos. Behaviorally, participants accepted 26.68% of manipulated clips as authentic, rising to 31.94% for familiar identities, confirming the studied deepfakes as effective adversarial payloads within DECEIVE.
• Abstract（参考訳）: ディープフェイクは、視覚的および聴覚的知覚に対する人間の信頼を利用するため、情報整合性とセキュリティに対する脅威として急速に現れてきた。 しかし、人間とその基盤となる(サブ)意識的な神経生理学的プロセスが、実際のビデオとディープフェイクを確実に区別できるかどうかについては、ほとんど分かっていない。 DeCEIVE(Deepfake Exploitation of Cognitive Engagement and Implicit Visual Evaluation)は、ディープフェイクビデオが視聴者の行動および神経生理学的スクリーニングを通じて敵のペイロードとしてどのように検証されるか、また、検出を回避するペイロードを選択することで攻撃を改善できるかをモデル化するフレームワークである。 このフレームワークはデータセットに依存しないもので、合成メディアや実メディアに適用できる。 本質的には二重用途であり、同等の測定値を持つ敵は、候補の操作を繰り返すことができ、人間の検出を避けることができる。 これはオープンで防御的な評価を動機付けている。 人間の知覚を破るディープフェイクを測定することは、検知ツール、証明および透かし機構、およびユーザによる保護を評価することができる攻撃能力に対する現実的な境界を確立する。 脳波と視線追跡調査を行い、Celeb-DFとキュレートされた有名人セットからリアル、ディープフェイク、ルックライクな映像を観察し、行動判断と暗黙の反応を記録した。 絵画やフィッシングサイトに関する先行研究によって示唆された意識下分化の期待とは対照的に、実際のビデオとディープフェイクビデオの間に統計的に有意な神経生理学的差異はみられなかったが、ルックライクなビデオでは明らかな区別が見られた。 行動学的には、操作されたクリップの26.68%を本物として受け入れ、見慣れたアイデンティティに対して31.94%まで上昇し、DeCEIVE内の効果的な敵のペイロードとして研究されたディープフェイクを確認した。

関連論文リスト

• Is Seeing Believing? Evaluating Human Sensitivity to Synthetic Video [4.424726186196119]
  機械学習の進歩により、Deepfakesとして知られるリアルな合成ビデオが作成できるようになった。 ディープフェイクの普及に伴い、偽情報の急速な拡散や大衆の認識の操作に関する懸念が高まっている。 本稿では,映像の視覚的・聴覚的歪みに対する人間の反応と,深層的な視覚的・ナレーションの差を狭めることを目的とする。
  論文  参考訳（メタデータ） (2026-03-14T09:00:52Z)
• 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)
• Unmasking Illusions: Understanding Human Perception of Audiovisual Deepfakes [49.81915942821647]
  本研究は,ディープフェイク映像を主観的研究により識別する人間の能力を評価することを目的とする。 人間の観察者を5つの最先端オーディオ視覚深度検出モデルと比較することにより,その知見を提示する。 同じ40の動画で評価すると、すべてのAIモデルは人間より優れていることが分かりました。
  論文  参考訳（メタデータ） (2024-05-07T07:57:15Z)
• Deepfake Caricatures: Amplifying attention to artifacts increases deepfake detection by humans and machines [16.41264978552925]
  ディープフェイクビデオのアーティファクトを増幅するフレームワークを導入し、人々がより検出できるようにする。 ユーザスタディでは,映像提示時間やユーザエンゲージメントレベルを通じて,Caricaturesが人間の検出を大幅に増加させることを示した。 また,Artifact Attentionモジュールを組み込んだディープフェイク検出モデルを導入し,精度とロバスト性を向上させる。
  論文  参考訳（メタデータ） (2022-06-01T14:43:49Z)
• 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)
• Leveraging Real Talking Faces via Self-Supervision for Robust Forgery Detection [112.96004727646115]
  本研究では,実話を用いた顔操作映像の検出手法を開発した。 本手法は, クロスマニピュレーションの一般化とロバストネス実験における最先端性能を実現する。 以上の結果から、より堅牢な顔偽造検知器の開発には、自然ビデオと未表示ビデオの活用が有望な方向であることが示唆された。
  論文  参考訳（メタデータ） (2022-01-18T17:14:54Z)
• 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)

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。