論文の概要: CCDF: A Benchmark Dataset for Deepfake Detection in Real-World Surveillance Footage
- arxiv url: http://arxiv.org/abs/2610.07939v1
- Date: Tue, 06 Oct 2026 08:13:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.885296
- Title: CCDF: A Benchmark Dataset for Deepfake Detection in Real-World Surveillance Footage
- Title（参考訳）: CCDF:実世界の監視映像におけるディープフェイク検出のためのベンチマークデータセット
- Abstract要約: 商用のビデオ生成ツールは、人間の視聴者と自動ビデオ検出器の両方を騙すことができる、製造された監視映像を作成するために使用できる。
既存のディープフェイクビデオデータセットには、2つの制限がある: 悪意のある活動の映像ではなく、良質なWebコンテンツを強調し、生成システムにおける最近の進歩を表現していない古いまたはオープンソースのジェネレータに依存している。
このデータセットの3つのバージョンをリリースする:生データ、ビデオメタデータを実データと合成サンプル間で標準化するクリーン化バージョン、低効率な後処理攻撃をシミュレートする修正バージョン。
- 参考スコア（独自算出の注目度）: 15.993861451772508
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Due to rapid advances in Generative AI, commercial video generation tools can be used to produce fabricated surveillance footage that can fool both human viewers and automated synthetic video detectors. Since these tools are so widely accessible, a malicious user can create a harmful video clip at minimal cost. The production and dissemination of such videos in high-stakes settings, such as crime reporting and elections, can misdirect emergency response efforts or distort political discourse. Existing deepfake video datasets, used by the research community to develop deepfake detection algorithms, exhibit two limitations: (1) they emphasize benign web content rather than footage of possibly malicious activity, and (2) they rely on older or open-source generators that do not represent recent advances in generative systems. We assemble CCtv DeepFakes (CCDF), a video deepfake dataset, to address both gaps. CCDF contains 1840 videos (460 real and 1380 generated) spanning 16 crime and accident categories, with generated content produced using three leading commercial systems: Grok Imagine, Google VEO 3.1, and OpenAI Sora 2. CCDF is a highly realistic, small-scale, manually annotated dataset targeting evaluation of detection models. We release three versions of the dataset: the raw generated data, a cleaned version in which video metadata are standardized between real and synthetic samples to prevent detectors from exploiting trivial cues, and an altered version simulating low-effort post-processing attacks. We evaluate CCDF with ten recent state-of-the-art detectors covering different detection approaches. Our results suggest that these approaches do not reliably distinguish CCDF's generated videos from real ones, despite their strong reported performance on existing datasets. These results further confirm that existing datasets are not well-suited to evaluating certain threats.
- Abstract（参考訳）: Generative AIの急速な進歩により、商用のビデオ生成ツールを使用して、人間の視聴者と自動合成ビデオ検出器の両方を騙すことができる、製造された監視映像を作成することができる。
これらのツールは広くアクセス可能であるため、悪意のあるユーザーは最小限のコストで有害なビデオクリップを作成することができる。
犯罪報告や選挙などの高額な環境での映像の制作と普及は、緊急対応の取り組みを誤って指示したり、政治的言論を歪めたりすることがある。
既存のディープフェイクビデオデータセットは、ディープフェイク検出アルゴリズムの開発に利用されており、(1)悪意のある活動の映像ではなく、良質なウェブコンテンツを強調すること、(2)ジェネレーションシステムにおける最近の進歩を表現していない古いまたはオープンソースのジェネレータに依存すること、の2つの制限が示されている。
ビデオディープフェイクデータセットであるCCtv DeepFakes(CCDF)を組み立て、両方のギャップに対処する。
CCDFには16の犯罪と事故のカテゴリーにまたがる1840の動画(実写460、実写1380)があり、Grok Imagine、Google VEO 3.1、OpenAI Sora 2の3つの主要な商用システムを使って生成されたコンテンツがある。
CCDFは、検出モデルの評価を目的とした、非常に現実的で、小規模で手動の注釈付きデータセットである。
生成した生データと、ビデオメタデータを実データと合成サンプル間で標準化し、検出者が自明な手がかりを悪用しないようにするクリーン化バージョンと、低効率な後処理攻撃をシミュレートする修正版である。
検出方法の異なる10種類の最先端検出器を用いてCCDFを評価した。
提案手法は,既存のデータセットの性能が強いにもかかわらず,CCDFが生成したビデオと実際のビデオとを確実に区別するものではないことを示唆している。
これらの結果は、既存のデータセットが特定の脅威を評価するのに適していないことをさらに確認する。
関連論文リスト
- ManiVid: Unified and Explainable Forensic Analysis of Manipulated Videos [60.4387978957979]
マニヴィッド(ManiVid)は、偽造検出、アーティファクトの接地、操作されたビデオの異常な説明を含む統一的な法医学的分析タスクである。
ManiVid-38Kは、一般的なビデオのローカライズされた操作を、認証ラベル、偽装マスク、異常説明と組み合わせた最初のデータセットである。
ManiVidLensはマルチモーダル推論とビデオセグメンテーションのための低レベルの法医学的証拠を共有している。
論文 参考訳（メタデータ） (2026-09-25T07:51:50Z) - Can We Defend Against AI-Generated Video Attacks on Real-World Crisis Events? A Systematic Evaluation of Detectors, Generators and Social Dissemination [81.00778788481266]
RA-Benchは、Real Videoをアンカーとして使用するAI生成ビデオ検出のベンチマークである。
RA-Benchには17,886本のビデオがあり、10のソーシャルリスクカテゴリーで1,830本のビデオアンカーがある。
3つの検出器ファミリーはいずれもRA-ベンチインスタンス全体にわたって一貫して一般化しない。
論文 参考訳（メタデータ） (2026-08-14T15:32:56Z) - CoCoVideo: The High-Quality Commercial-Model-Based Contrastive Benchmark for AI-Generated Video Detection [12.128022166557754]
CoCoVideo-26Kは、13の主流の商用ジェネレータをカバーする、対照的な商用モデルベースのAIGCビデオデータセットである。
このデータセットに基づいて,コントラスト学習とMLLM推論を統合したフレームワークであるCoDetectを提案する。
論文 参考訳（メタデータ） (2026-05-26T03:18:44Z) - BrokenVideos: A Benchmark Dataset for Fine-Grained Artifact Localization in AI-Generated Videos [63.03271511550633]
BrokenVideosは、3,254のAI生成ビデオのベンチマークデータセットで、微妙に注釈付けされたピクセルレベルのマスクが視覚的腐敗の領域を強調している。
実験の結果,BrokenVideosにおける人工物検出モデルの訓練状況とマルチモーダル大言語モデル(MLLM)が,破壊領域のローカライズ能力を大幅に向上させることがわかった。
論文 参考訳（メタデータ） (2025-06-25T03:30:04Z) - BusterX: MLLM-Powered AI-Generated Video Forgery Detection and Explanation [77.55074597806035]
GenBuster-200Kは、200Kの高解像度ビデオクリップを備えた、大規模で高品質なAI生成ビデオデータセットである。
BusterXは、マルチモーダル大言語モデル(MLLM)と強化学習を活用した、AI生成のビデオ検出および説明フレームワークである。
論文 参考訳（メタデータ） (2025-05-19T02:06:43Z) - Turns Out I'm Not Real: Towards Robust Detection of AI-Generated Videos [16.34393937800271]
高品質なビデオを作成するための生成モデルは、デジタル整合性とプライバシーの脆弱性に関する懸念を提起している。
ディープフェイクスのビデオと戦うための最近の研究は、ガン生成サンプルを正確に識別する検出器を開発した。
本稿では,複数の最先端(SOTA)生成モデルから合成された映像を検出するための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-13T21:52:49Z) - DeMamba: AI-Generated Video Detection on Million-Scale GenVideo Benchmark [38.604684882464944]
我々は,AIが生成した最初のビデオ検出データセットであるGenVideoを紹介する。
大量のビデオがあり、その中にはAIが生成し、実際のビデオが100万本以上含まれている。
我々はデテール・マンバ(Detail Mamba)というプラグイン・アンド・プレイ・モジュールを導入し、AI生成ビデオを特定して検出器を強化する。
論文 参考訳（メタデータ） (2024-05-30T05:36:12Z) - 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)
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。