論文の概要: Interpretable Deepfake Detection in Videos via Explicit Forensic Features and Temporal Modeling
- arxiv url: http://arxiv.org/abs/2610.03380v1
- Date: Fri, 02 Oct 2026 14:34:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.423298
- Title: Interpretable Deepfake Detection in Videos via Explicit Forensic Features and Temporal Modeling
- Title（参考訳）: 厳密な法則的特徴と時間的モデリングによるビデオの深度検出
- Abstract要約: 本稿では,映像シーケンスの空間的・時間的コヒーレントな顔特徴をモデル化する,解釈可能なディープフェイク検出フレームワークを提案する。
暗黙の表現に依存するエンドツーエンドのディープモデルとは異なり、提案手法は物理的に根拠付けられた法医学的手がかりを明示的に符号化する。
- 参考スコア（独自算出の注目度）: 1.5049442691806052
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deepfake detection in videos remains challenging, as manipulated content may appear visually consistent at the frame level while exhibiting subtle temporal inconsistencies. This paper introduces an interpretable deepfake detection framework that models spatially and temporally coherent facial features in video sequences. Unlike end-to-end deep models relying on implicit representations, the proposed approach explicitly encodes physically grounded forensic cues, enabling transparent analysis and improved multi-dataset generalization. The pipeline transforms videos into identity-consistent facial trajectories, segments them into fixed-length temporal windows, and represents each frame using 68 structured descriptors spanning four complementary domains: photometric, textural, geometric, and compression-based features. These descriptors provide a compact multi-domain representation of manipulation artifacts and are processed by a Long Short-Term Memory (LSTM) network to capture temporal dependencies and subtle irregularities. Evaluation on four benchmark datasets, FaceForensics++, Celeb-DF v2, a curated subset of the DeepFake Detection Challenge (DFDC), and DeeperForensics, yields strong and consistent F1-scores of 98.0%, 91.0%, 97.6%, and 96.2%, respectively. The approach also demonstrated a good cross-dataset generalization, providing a robust and interpretable solution for video deepfake detection.
- Abstract（参考訳）: ビデオにおけるディープフェイク検出は、操作されたコンテンツは、微妙な時間的矛盾を示しながら、フレームレベルで視覚的に一貫したように見えるため、依然として困難である。
本稿では,映像シーケンスの空間的・時間的コヒーレントな顔特徴をモデル化する,解釈可能なディープフェイク検出フレームワークを提案する。
暗黙の表現に依存するエンドツーエンドのディープモデルとは異なり、提案手法は物理的に根拠付けられた法医学的手がかりを明示的に符号化し、透過的な解析とマルチデータセットの一般化を可能とした。
パイプラインは、ビデオをアイデンティティに一貫性のある顔トラジェクトリに変換し、それらを固定長の時間ウィンドウに分割し、フォトメトリック、テクスチャ、幾何学、圧縮ベースの4つの補完ドメインにまたがる68の構造化ディスクリプタを使用して各フレームを表現する。
これらの記述子は、操作アーティファクトのコンパクトなマルチドメイン表現を提供し、時間的依存関係と微妙な不規則性をキャプチャするために、Long Short-Term Memory (LSTM)ネットワークで処理される。
FaceForensics++、Celeb-DF v2、DeepFake Detection Challenge (DFDC)のキュレートされたサブセット、DeeperForensicsの4つのベンチマークデータセットの評価では、それぞれ98.0%、91.0%、97.6%、96.2%の強いF1スコアが得られた。
このアプローチはまた、優れたクロスデータセットの一般化を示し、ビデオディープフェイク検出のための堅牢で解釈可能なソリューションを提供する。
関連論文リスト
- Explainable Forensics of Manipulated Segments in Untrimmed Long Videos [50.190474724159465]
時間的AI生成セグメンテーションの局所化と説明のタスクを定式化する。
多様な操作パターンと豊富なアノテーション信号を備えた12,472の未トリミングビデオからなる大規模ベンチマークであるTASLEを紹介する。
そこで本稿では,MLLMに基づく精密な境界ローカライゼーションと解釈可能な推論のためのリファインメントモジュールと,効率的な長ビデオスキャンのためのバウンダリ感性提案生成モジュールを組み合わせた,粗大な法医学ベースラインであるMSLocを提案する。
論文 参考訳（メタデータ） (2026-06-01T15:48:38Z) - Attribution-Guided Multimodal Deepfake Detection via Cross-Modal Forensic Fingerprints [4.598350938853635]
ビデオの偽造方法を特定することができない検出器は、間違ったシグナルを学習している可能性が高い、と私たちは主張する。
二分検出とは異なり、帰属誘導学習は共有埋め込み空間に強い幾何学的制約を課す。
本稿では,属性検出と属性抽出を共同で学習する属性誘導型マルチモーダルディープフェイク検出フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-29T09:11:13Z) - DYMAPIA: A Multi-Domain Framework for Detecting AI-based Video Manipulation [2.8647133890966994]
マルチドメインDeepfake検出フレームワークであるDYMAPIAを紹介する。
空間的、スペクトル的、時間的な手がかりを融合させ、視覚データの微妙な操作の痕跡を捉える。
システムは、フーリエスペクトル、局所テクスチャ記述子、エッジの不規則性、光流の整合性などの証拠を組み合わせることで、動的異常マスクを構築する。
論文 参考訳（メタデータ） (2026-04-27T12:53:43Z) - ForensicZip: More Tokens are Better but Not Necessary in Forensic Vision-Language Models [108.5042835056188]
フォージェリ駆動の観点からトークン圧縮を再構築するトレーニングフリーフレームワークであるForensicZipを紹介した。
ForensicZipは、最先端検出性能を維持しながら、スピードアップとFLOPの90%以上を達成している。
論文 参考訳（メタデータ） (2026-03-12T17:30:49Z) - UniForensics: Face Forgery Detection via General Facial Representation [60.5421627990707]
高レベルの意味的特徴は摂動の影響を受けにくく、フォージェリー固有の人工物に限らないため、より強い一般化がある。
我々は、トランスフォーマーベースのビデオネットワークを活用する新しいディープフェイク検出フレームワークUniForensicsを導入し、顔の豊かな表現のためのメタファンクショナルな顔分類を行う。
論文 参考訳（メタデータ） (2024-07-26T20:51:54Z) - Spatial-Temporal Frequency Forgery Clue for Video Forgery Detection in
VIS and NIR Scenario [87.72258480670627]
既存の周波数領域に基づく顔偽造検出手法では、GAN鍛造画像は、実際の画像と比較して、周波数スペクトルに明らかな格子状の視覚的アーチファクトを持つ。
本稿では,コサイン変換に基づくフォージェリークリュー拡張ネットワーク(FCAN-DCT)を提案し,より包括的な時空間特徴表現を実現する。
論文 参考訳（メタデータ） (2022-07-05T09:27:53Z) - Do You Really Mean That? Content Driven Audio-Visual Deepfake Dataset
and Multimodal Method for Temporal Forgery Localization [19.490174583625862]
LAV-DF(Localized Audio Visual DeepFake)と呼ばれるコンテンツ駆動型オーディオビジュアルディープフェイクデータセットを導入する。
具体的には、映像全体の感情極性を変えるために、コンテンツ駆動型音声視覚操作を戦略的に行う。
提案手法の時間的フォージェリーローカライゼーションとディープフェイク検出タスクに対する強い性能を示す。
論文 参考訳（メタデータ） (2022-04-13T08:02:11Z) - Voice-Face Homogeneity Tells Deepfake [56.334968246631725]
既存の検出アプローチは、ディープフェイクビデオにおける特定のアーティファクトの探索に寄与する。
未探索の音声-顔のマッチングビューからディープフェイク検出を行う。
我々のモデルは、他の最先端の競合と比較して、大幅に性能が向上する。
論文 参考訳（メタデータ） (2022-03-04T09:08:50Z) - Video Salient Object Detection via Contrastive Features and Attention
Modules [106.33219760012048]
本稿では,注目モジュールを持つネットワークを用いて,映像の有意な物体検出のためのコントラスト特徴を学習する。
コアテンションの定式化は、低レベル特徴と高レベル特徴を組み合わせるために用いられる。
提案手法は計算量が少なく,最先端の手法に対して良好に動作することを示す。
論文 参考訳（メタデータ） (2021-11-03T17:40:32Z) - Spatio-temporal Features for Generalized Detection of Deepfake Videos [12.453288832098314]
我々は3D CNNによってモデル化された時間的特徴を提案し、新しい種類のディープビデオを検出する能力を拡張した。
提案手法は,一般化能力において既存手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-10-22T16:28:50Z) - Dynamic texture analysis for detecting fake faces in video sequences [6.1356022122903235]
本研究では,映像信号のテクスチャ・時間的ダイナミクスの解析について検討する。
目標は、実際の偽のシーケンスを識別し、識別することである。
時間セグメントの連成解析に基づいて複数の二分決定を構築することを提案する。
論文 参考訳（メタデータ） (2020-07-30T07:21:24Z)
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。