論文の概要: ModalFidelity: Routing Modalities for Deepfake Detection on a Budget

• arxiv url: http://arxiv.org/abs/2609.38246v1
• Date: Tue, 29 Sep 2026 06:51:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.415597
• Title: ModalFidelity: Routing Modalities for Deepfake Detection on a Budget
• Title（参考訳）: ModalFidelity:予算におけるディープフェイク検出のためのルーティングモード
• Abstract要約: ModalFidelityは軽量のルーターで、各ウィンドウをプレビューし、法医学的な検出が実行される前に判断する。 AV-Deepfake1Mでは、モーダルフィデリティは15.9倍の精度で検出後のゲーティングよりも正確であり、全ての偽物がどこにあるかを知るオラクルの精度の96%以上を保っている。
• 参考スコア（独自算出の注目度）: 7.303977910695875
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Deepfakes no longer need to fake a whole video. Generators that read the transcript now alter only the few seconds in which a video's meaning turns, so a forgery hides in a small, unknown fraction of the video. Yet detectors still read every one-second window of both the audio and image streams, spending nearly all of their compute where nothing was altered. We observe that deciding where to look is far cheaper than looking. We present ModalFidelity, a lightweight router that previews each window and decides, before any forensic detector runs, which stream is worth reading, under a hard compute budget it can never exceed. On AV-Deepfake1M, reading at most a fifth of the windows, it is more accurate than gating after the detectors at 15.9x less compute, and retains over 96% of the accuracy of an oracle that knows where every forgery lies.
• Abstract（参考訳）: Deepfakesはビデオ全体を偽造する必要がなくなった。 書き起こしを読み取るジェネレータは、ビデオの意味が変わる数秒しか変更されないため、偽造行為はビデオの小さな、未知の断片に隠れる。 しかし、検出器はオーディオと画像ストリームの両方の1秒のウィンドウを読み取って、ほとんどすべての計算を何も変更されずに費やした。 見える場所を決めるのは、見るよりもずっと安い。 私たちはModalFidelityという軽量ルータを紹介します。これは、各ウィンドウをプレビューし、どんな法医学的検知器を走らせるかを決めるための軽量ルータです。 AV-Deepfake1Mでは、少なくとも窓の5分の1は、15.9倍の精度で検知器を作動させるよりも正確であり、全ての偽物がどこにあるかを知るオラクルの精度の96%以上を保っている。

関連論文リスト

• Detect Early, Escalate Rarely: Anytime Detection of AI-Generated Video from the Compressed Bitstream [0.764671395172401]
  AI生成ビデオの検出器はオフラインで評価される。 クリップはピクセルにデコードされ、大きな視覚言語モデルによって1回得点される。 我々は、タスクをストリーミング認識として再キャストし、すでに書いた動き場をビットストリームにスコアする。
  論文  参考訳（メタデータ） (2026-07-21T18:00:51Z)
• MistExit: Learning to Exit for Early Mistake Detection in Procedural Videos [53.5354731425141]
  ビデオにおける早期誤り検出の課題について紹介する。 本研究の目的は,プロシージャ活動におけるキーステップが,ストリーミング映像を可能な限り少なく観察しながら正しく実行されるかどうかを判断することである。 本稿では,誤り検出と強化学習ポリシを組み合わせた手法を提案する。
  論文  参考訳（メタデータ） (2026-03-15T07:14:49Z)
• Do You See What I Say? Generalizable Deepfake Detection based on Visual Speech Recognition [8.510683305368278]
  ディープフェイク生成は目覚ましい進歩をみせており、非常にリアルな生成画像、ビデオ、オーディオに寄与している。 このような誤用を緩和するためには、堅牢で信頼性の高いディープフェイク検出が緊急に必要となる。 本稿では,事前学習された視覚音声認識(VSR)機能に基づく新しいネットワークFauxNetを提案する。
  論文  参考訳（メタデータ） (2025-11-27T13:30:59Z)
• Deepfake Media Generation and Detection in the Generative AI Era: A Survey and Outlook [101.30779332427217]
  本研究は,近年の現場開発を含むディープフェイク発生・検出技術について調査する。 偽コンテンツの変更や生成に使用する手順に従って,様々な種類のディープフェイクを識別する。 我々は,分布外コンテンツに基づくディープフェイク検出のための新しいマルチモーダル・ベンチマークを開発した。
  論文  参考訳（メタデータ） (2024-11-29T08:29:25Z)
• How Do Deepfakes Move? Motion Magnification for Deepfake Source Detection [4.567475511774088]
  顔の筋下運動に基づく一般化されたディープフェイク源検出器を構築した。 提案手法は実動作と増幅されたGAN指紋の違いを利用する。 我々は2つのマルチソースデータセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2022-12-28T18:59:21Z)
• Detecting Deepfake by Creating Spatio-Temporal Regularity Disruption [94.5031244215761]
  本稿では,実際のビデオにない「規則性破壊」を識別することで,ディープフェイク検出の一般化を促進することを提案する。 具体的には、空間的・時間的特性を慎重に調べることで、擬似フェイク発生器による実映像の破壊を提案する。 このような手法により,フェイクビデオを使わずにディープフェイク検出が可能となり,よりシンプルかつ効率的に一般化能力を向上させることができる。
  論文  参考訳（メタデータ） (2022-07-21T10:42:34Z)
• 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)
• 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)
• Cost Sensitive Optimization of Deepfake Detector [6.427063076424032]
  我々は、ディープフェイク検出タスクは、ユーザーが毎日大量のビデオを視聴するスクリーニングタスクとみなすべきであると論じている。 アップロードされたビデオのほんの一部だけがディープフェイクであることは明らかなので、検出性能をコストに敏感な方法で測定する必要がある。
  論文  参考訳（メタデータ） (2020-12-08T04:06:02Z)
• Deepfake detection: humans vs. machines [4.485016243130348]
  クラウドソーシングのようなシナリオで実施した主観的研究で,ビデオがディープフェイクであるか否かを人間が確認することがいかに困難であるかを体系的に評価する。 各ビデオについて、簡単な質問は「ビデオの中の人物の顔は偽物か?」というものだった。 この評価は、人間の知覚が機械の知覚とは大きく異なるが、成功しても異なる方法ではディープフェイクに騙されることを示した。
  論文  参考訳（メタデータ） (2020-09-07T15:20:37Z)

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。