論文の概要: Cross-modal Translation via Conditional Latent Denoising for Video Deepfake Detection

• arxiv url: http://arxiv.org/abs/2609.33394v1
• Date: Sun, 27 Sep 2026 09:16:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:24:29.139284
• Title: Cross-modal Translation via Conditional Latent Denoising for Video Deepfake Detection
• Title（参考訳）: ビデオディープフェイク検出のための条件付き遅延デノジングによるクロスモーダル翻訳
• Abstract要約: 本稿では,ビデオディープフェイク検出のための条件付き遅延デノイングによるクロスモーダル翻訳というフレームワークを提案する。 これは、ラテント空間における不均一なモジュラリティの異なる分布を接続し、スムーズなクロスドメイン情報転送を可能にする。 提案したCTCLDは包括的ドメインアライメントを可能にし,堅牢なビデオディープフェイク検出手法を実現する。
• 参考スコア（独自算出の注目度）: 32.91042514871872
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The growing threat of video deepfakes necessitates multimodal detection. Beyond serving as independent indicators of authenticity, audio and visual signals have intrinsic dependencies that also provide an essential criterion for detection. Previous methods often overlook the cross-modal correspondences, hindering information transfer between domains and leaving crucial detection cues unexplored. To address this challenge, we propose a framework called Cross-modal Translation via Conditional Latent Denoising (CTCLD) for video deepfake detection. It connects the distinct distributions of heterogeneous modalities in latent spaces, enabling smooth cross-domain information transfer to improve detection performance. We first establish a Bayesian foundation by decomposing the audio-visual joint distribution. Subsequently, CTCLD translates both modalities via bidirectional latent denoising conditioned on each other, effectively capturing subtle inconsistencies in the manipulated signals. Experimental results demonstrate that the proposed CTCLD enables comprehensive domain alignment, resulting in a robust video deepfake detection approach with competitive performance.
• Abstract（参考訳）: ビデオディープフェイクの脅威は、マルチモーダル検出を必要とする。 信頼性の独立した指標として機能するだけでなく、音声と視覚信号は固有の依存関係を持ち、検出に不可欠な基準を提供する。 それまでの方法は、しばしばクロスモーダルな対応を見落とし、ドメイン間の情報伝達を妨げ、探索されていない重要な検出手段を残していた。 この課題に対処するため,ビデオディープフェイク検出のためのCTCLD (Conditional Latent Denoising) を用いたクロスモーダル翻訳フレームワークを提案する。 遅延空間における不均一なモダリティの異なる分布を接続し、スムーズなクロスドメイン情報転送を可能にし、検出性能を向上させる。 まず、音声と視覚の結合分布を分解してベイズの基礎を確立する。 その後、CTCLDは双方向の遅延雑音によって両モードを変換し、操作された信号の微妙な不整合を効果的に捉える。 実験結果から,提案したCTCLDは総合的なドメインアライメントを実現し,競争性能の高い堅牢なビデオディープフェイク検出手法が得られた。

関連論文リスト

• MSCT: Differential Cross-Modal Attention for Deepfake Detection [8.183317636944706]
  ディープフェイク検出は通常、ビデオ内の偽のトレースをチェックするために、補完的なマルチモーダルモデルを使用する。 従来のマルチモーダルフォージェリー検出法では,特徴抽出やアライメントの偏差が不十分であった。 提案手法は, 隣接する埋め込みの特徴を統合するためのマルチスケール自己注意と, ヒューズマルチモーダル特徴に対する差分相互注意を含む。
  論文  参考訳（メタデータ） (2026-04-09T02:56:16Z)
• Test-time Adaptive Hierarchical Co-enhanced Denoising Network for Reliable Multimodal Classification [55.56234913868664]
  マルチモーダルデータを用いた信頼性学習のためのTAHCD(Test-time Adaptive Hierarchical Co-enhanced Denoising Network)を提案する。 提案手法は,最先端の信頼性の高いマルチモーダル学習手法と比較して,優れた分類性能,堅牢性,一般化を実現する。
  論文  参考訳（メタデータ） (2026-01-12T03:14:12Z)
• Multi-modal Deepfake Detection and Localization with FPN-Transformer [21.022230340898556]
  FPN変換器(Feature Pyramid-Transformer)に基づくマルチモーダルディープフェイク検出およびローカライゼーションフレームワークを提案する。 マルチスケールな特徴ピラミッドは、R-TLMブロックと局所的な注意機構によって構築され、コンテキスト間の時間的依存関係の結合解析を可能にする。 我々は,IJCAI'25 DDL-AVベンチマークの試験セットに対するアプローチを評価し,最終スコア0.7535で良好な性能を示した。
  論文  参考訳（メタデータ） (2025-11-11T09:33:39Z)
• Generalizable Speech Deepfake Detection via Information Bottleneck Enhanced Adversarial Alignment [48.73836179661632]
  信頼誘導対向アライメントは、識別的手がかりを消去することなく攻撃固有のアーティファクトを適応的に抑制する。 IB-CAANは、多くのベンチマークにおいて、ベースラインと最先端のパフォーマンスを一貫して上回る。
  論文  参考訳（メタデータ） (2025-09-28T03:48:49Z)
• Blind-Spot Guided Diffusion for Self-supervised Real-World Denoising [55.099717395320276]
  Blind-Spot Guided Diffusionは、現実のイメージをデノナイズするための新しい自己教師型フレームワークである。 提案手法は,盲点ネットワーク(BSN)の限界と,自己教師型認知への拡散モデルの適用の難しさの2つに対処する。
  論文  参考訳（メタデータ） (2025-09-19T15:35:07Z)
• Beyond Artificial Misalignment: Detecting and Grounding Semantic-Coordinated Multimodal Manipulations [56.816929931908824]
  マルチモーダルデータにおける意味的協調操作の検出の先駆者となった。 本稿では,RamDG(Retrieval-Augmented Manipulation Detection and Grounding)フレームワークを提案する。 我々のフレームワークは既存の手法よりも優れており、SAMMの精度は最先端の手法に比べて2.06%高い。
  論文  参考訳（メタデータ） (2025-09-16T04:18:48Z)
• CAD: A General Multimodal Framework for Video Deepfake Detection via Cross-Modal Alignment and Distillation [24.952907733127223]
  クロスモーダルアライメント・蒸留(CAD)を用いたビデオディープフェイク検出のための一般的なフレームワークを提案する。 1)高レベルのセマンティックシンセシスにおける矛盾を識別するクロスモーダルアライメント(例:リップ音声ミスマッチ)、2)モダリティ特異的な法医学的痕跡(例:合成音声のスペクトル歪み)を保存しながらミスマッチを緩和するクロスモーダル蒸留(例:合成音声のスペクトル歪み)である。
  論文  参考訳（メタデータ） (2025-05-21T08:11:07Z)
• Contextual Cross-Modal Attention for Audio-Visual Deepfake Detection and Localization [3.9440964696313485]
  デジタル時代には、ディープフェイクや合成メディアの出現は、社会的・政治的整合性に対する重大な脅威となる。 オーディオ視覚のようなマルチモーダル操作に基づくディープフェイクは、より現実的であり、より大きな脅威をもたらす。 本稿では,音声・視覚的ディープフェイク検出にコンテキスト情報を活用する,リカレントニューラルネットワーク(RNN)に基づく新しいマルチモーダルアテンションフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-02T18:45:01Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)

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。