論文の概要: Camera-Noise Residuals for Face-Swap Detection: Redundant, Not Complementary, and Why
- arxiv url: http://arxiv.org/abs/2610.11683v1
- Date: Thu, 08 Oct 2026 10:55:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 11:59:33.753042
- Title: Camera-Noise Residuals for Face-Swap Detection: Redundant, Not Complementary, and Why
- Title（参考訳）: フェーススワップ検出のためのカメラノイズ残差:冗長で補足的ではない理由
- Abstract要約: ノイズプリント++残留チャネルは、フェイススワップ検出のためにRGB Xceptionバックボーンに補足された情報を運ぶ。
3モデルアブレーションは、融合がRGB単独よりも改善せず、残枝単独がほぼ偶然であることを示している。
フェース・スワップ検出にノイズ・残差融合を適用した実践者に対して具体的な指導を行う。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Fusing a learned camera-noise fingerprint with an RGB appearance backbone is an appealing route to generator-independent deepfake detection, because the noise residual is grounded in image-formation physics rather than in the texture statistics of a particular generator. We test, on FaceForensics++, whether a Noiseprint++ residual channel carries information \emph{complementary} to an RGB Xception backbone for face-swap detection. A three-model ablation (RGB-only, residual-only, late-fusion) shows that fusion does not improve over RGB alone and that the residual branch alone is near chance. A seven-level bottleneck diagnostic localizes the cause: the noise maps do carry a discriminative signal, but it is statistical---carried by the per-sample first and second moments (mean, variance, energy) of the residual---and the per-sample \texttt{InstanceNorm} layer placed at the noise-branch input, following the TruFor template, standardizes exactly those moments away (five-fold cross-validated AUC drops from $0.747$ to $0.554$). A context-crop control rules out cropping geometry, and two fixed-fusion variants that remove the bottleneck recover the statistical signal yet still fail to beat RGB on every dataset. We conclude that, on this manipulation distribution, the noise residual is redundant with RGB rather than complementary, and we give concrete guidance for practitioners adopting noise-residual fusion for face-swap detection.
- Abstract（参考訳）: 学習したカメラノイズ指紋とRGB外観のバックボーンを融合させることは、特定のジェネレータのテクスチャ統計よりも画像形成物理においてノイズ残差が基礎となるため、ジェネレータ非依存のディープフェイク検出に魅力的な経路である。
FaceForensics++では、Nossprint++残余チャネルがRGB Xceptionバックボーンに情報 \emph{complementary} を持ち、顔スワップ検出を行うかどうかをテストする。
3モデルアブレーション(RGBのみ、残基のみ、遅延核融合)は、融合がRGB単独よりも改善せず、残基のみが近いことを示している。
7段階のボトルネック診断は、原因をローカライズする: ノイズマップは識別的な信号を持っているが、これは統計的に、残差のサンプルごとの第1および第2モーメント(平均、分散、エネルギー)と、TruForテンプレートの後にノイズブランチ入力に配置されたサンプルごとのテキストt{InstanceNorm}層によって、正確にそれらのモーメントを標準化する(5倍のクロスバリデーションAUCは0.747$から0.554$になる)。
コンテキストクロップ制御は、トリミング幾何学を規定し、ボトルネックを取り除く2つの固定融合変種は、統計信号を回復するが、すべてのデータセットでRGBに勝てない。
この操作分布において、ノイズ残差は相補的ではなくRGBと冗長であり、顔洗面検出にノイズ-残留融合を採用する実践者に対して具体的なガイダンスを与える。
関連論文リスト
- Adversarial Training for Pixel Diffusion [56.81974037444868]
画素拡散モデルは、オートエンコーダのボトルネックを避けるためにRGB画像を直接生成する。
対人学習は、この欠損症に対して効果的な訓練後修正を提供することを示す。
論文 参考訳（メタデータ） (2026-09-29T17:59:41Z) - RAIN: Region-Aware Inversion Network for Semantic Watermark Extraction [0.0]
終端回復を画像のようなアンカーとノイズ指向残差に分解する軽量なプロンプトフリー抽出器を提案する。
ノイズ抽出の計算コストはOSIとFARIのどちらよりも低い。
論文 参考訳（メタデータ） (2026-09-14T00:07:17Z) - Benchmarking Spatial, Spectral, and Self-Supervised Cues for Face Forgery Detection under Realistic Degradation [0.6619186532078049]
本稿では,MFFI(Multi-dimensional Face Forgery Image)データセットを用いた顔偽造検出のための標準化されたベンチマークを提案する。
我々は、畳み込みネットワーク、トランスフォーマーベースモデル、凍結自己管理型DINOv3バックボーンを含む6つのモデルファミリを比較した。
RGB の Xception は 0.884 に達すると ROC-AUC となるが、ハードパーティションでは大幅に劣化する。
論文 参考訳（メタデータ） (2026-09-01T16:41:55Z) - Show the Signal, Hide the Noise: Spectral Forcing for Pixel-Space Diffusion [46.51681899437508]
本稿では,パラメータフリーで時間条件付き2D-DCTローパス演算子であるSpectral Forcingを導入する。
その遮断は拡散時間とともに単調に膨張し、データエンドポイントのアイデンティティとなる。
JiT-700M/32のImageNet-256では、Spectral Forcingは、異なるトレーニングエポック間で、FIDとInception Scoreの両方を一貫して改善している。
論文 参考訳（メタデータ） (2026-06-13T10:29:11Z) - T2SMark: Balancing Robustness and Diversity in Noise-as-Watermark for Diffusion Models [89.29541056113442]
T2SMarkはTail-Truncated Smpling(TTS)に基づく2段階の透かし方式である
U-NetとDiTのバックボーンを用いた拡散モデル上でのT2SMarkの評価を行った。
論文 参考訳（メタデータ） (2025-10-25T16:55:55Z) - Unsupervised Denoising for Signal-Dependent and Row-Correlated Imaging Noise [54.0185721303932]
本稿では,行関連や信号依存の撮像ノイズを処理できる,教師なしのディープラーニングベースデノイザについて紹介する。
提案手法では,特殊設計の自己回帰デコーダを備えた変分オートエンコーダを用いる。
本手法では,事前学習した雑音モデルを必要としないため,雑音のないデータを用いてスクラッチから訓練することができる。
論文 参考訳（メタデータ） (2023-10-11T20:48:20Z) - Learning Feature Recovery Transformer for Occluded Person
Re-identification [71.18476220969647]
本稿では,FRT(Feature Recovery Transformer)と呼ばれる2つの課題を同時に解決する手法を提案する。
特徴マッチング時のノイズの干渉を低減するため,両画像に現れる可視領域に着目し,類似性を計算するための可視グラフを開発した。
2つ目の課題は、グラフの類似性に基づいて、各クエリ画像に対して、ギャラリー内の$k$-nearestの隣人の特徴セットを利用して、完全な特徴を復元するリカバリトランスフォーマを提案することである。
論文 参考訳（メタデータ） (2023-01-05T02:36:16Z) - Residual Contrastive Learning for Joint Demosaicking and Denoising [49.81596361351967]
RAW画像,残差コントラスト学習(RCL)における新しいコントラスト学習手法を提案する。
本研究は,各RAW画像に含まれる雑音が信号に依存しているという仮定に基づいて構築した。
我々は、未知の(ランダムな)ノイズ分散を伴う教師なしJDDタスクに対する新しいベンチマークを設定した。
論文 参考訳（メタデータ） (2021-06-18T11:37:05Z) - Uncertainty Inspired RGB-D Saliency Detection [70.50583438784571]
本稿では,データラベリングプロセスから学習することで,RGB-D値検出の不確実性を利用した最初のフレームワークを提案する。
そこで本研究では,確率的RGB-Dサリエンシ検出を実現するために,サリエンシデータラベリングプロセスにインスパイアされた生成アーキテクチャを提案する。
6つの挑戦的RGB-Dベンチマークデータセットの結果から,サリエンシマップの分布を学習する際のアプローチの優れた性能が示された。
論文 参考訳（メタデータ） (2020-09-07T13:01:45Z)
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。