論文の概要: Does an Illumination Prior Help Face-Swap Detection? A Controlled Study of Temporal Self-Blended Images

• arxiv url: http://arxiv.org/abs/2610.11706v1
• Date: Thu, 08 Oct 2026 11:12:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 11:59:33.754681
• Title: Does an Illumination Prior Help Face-Swap Detection? A Controlled Study of Temporal Self-Blended Images
• Title（参考訳）: イルミネーションは顔洗面検出に有効か? : 時間的自作画像の制御による検討
• Abstract要約: セルフブレンド画像はフェイススワップ検出器の訓練に広く用いられているが、主にブレンドアーティファクトを捉えている。 照明の不整合の追加が検出を改善するかどうかを検討する。 5つのトレーニングレギュレーションと高Lと低Lのトレーニングの3シード比較を用いて、照明特有の改善の証拠は見つからない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Self-blended images are widely used to train face-swap detectors, but primarily capture blending artifacts. We investigate whether adding illumination inconsistencies improves detection. Temporal Self-Blended Images (T-SBI) transfer lighting statistics between frames of the same video, with the mismatch controlled by luminance difference (ΔL). Using five training regimes and a three-seed comparison of high- and low-ΔL training, we find no evidence of illumination-specific improvements. AUC differences remain within seed variability across four datasets, and an analysis of 506,328 attribute-binned samples shows no preferential reduction in errors under harsh lighting. Instead, T-SBI shifts prediction scores, changing optimal thresholds by approximately 0.34 on FaceForensics++ and 0.30 on Celeb-DF, making comparisons at a fixed threshold misleading. However, T-SBI improves robustness to heavy JPEG compression on DFDC (AUC 0.780 versus 0.696), potentially reflecting greater reliance on low-frequency cues. These findings highlight the importance of evaluating training methods against their intended targets and accounting for threshold effects.
• Abstract（参考訳）: セルフブレンド画像はフェイススワップ検出器の訓練に広く用いられているが、主にブレンドアーティファクトを捉えている。 照明の不整合の追加が検出を改善するかどうかを検討する。 T-SBI(Temporal Self-Blended Images)は、同じビデオのフレーム間で光の統計を転送し、そのミスマッチは輝度差(ΔL)によって制御される。 5つのトレーニングレギュレーションと、高・低ΔLトレーニングの3シード比較を用いて、照明固有の改善の証拠は見つからない。 AUCの違いは、4つのデータセット間での種多様性に留まっており、506,328個の属性結合されたサンプルの分析では、厳しい照明下でのエラーの優先的な減少は示されていない。 代わりに、T-SBIは予測スコアをシフトし、FaceForensics++では0.34、Celeb-DFでは0.30、最適なしきい値を変更した。 しかし、T-SBIはDFDC(AUC 0.780 vs 0.696)のJPEG圧縮に対する堅牢性を改善し、低周波キューへの依存度を高める可能性がある。 これらの知見は,対象目標に対するトレーニング手法の評価と閾値効果の考慮の重要性を浮き彫りにした。

関連論文リスト

• CI-JEPA: A Counterfactual Analysis of Latent Representations in Joint-Embedding Predictive Architectures for Self-Supervised Learning [2.102846336724103]
  自己教師付き視覚表現学習は、表現訓練中に手動のアノテーションなしで有用な特徴を学習する。 提案するCI-JEPAは,原画像と修正後の画像との表現変化を予測できる対実的介入対応拡張である。
  論文  参考訳（メタデータ） (2026-10-04T08:22:58Z)
• Luminosity-Adaptive Contrast Enhancement Using CLAHE for Retinal Fundus Images with Quantitative Validation and Comparative Analysis [0.0]
  眼底画像の臨床的有用性は、一様でない照明、動きのぼかし、低コントラストによって日常的に損なわれている。 本研究では,HSV色空間分解による輝度補正とコントラスト適応ヒストグラム等化を組み合わせた2段画像強調パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-07-20T08:39:13Z)
• Test-Time Intensity Consistency Adaptation for Shadow Detection [35.03354405371279]
  TICAは、テスト時間適応時の光強度情報を利用して、影検出精度を高める新しいフレームワークである。 基本的なエンコーダ・デコーダモデルは、最初はシャドー検出のためのラベル付きデータセットでトレーニングされる。 テストフェーズでは、一貫した強度予測を行うことで、各テストサンプルに対してネットワークを調整する。
  論文  参考訳（メタデータ） (2024-10-10T08:08:32Z)
• Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
  低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。 これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。 まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。 次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
  論文  参考訳（メタデータ） (2023-05-17T13:56:48Z)
• When the Sun Goes Down: Repairing Photometric Losses for All-Day Depth Estimation [47.617222712429026]
  既存の測光損失を昼夜両方の画像に有効にするための3つの手法の組み合わせについて述べる。 まず、連続するフレーム間で起こる光の変化を補うために、ピクセルごとの神経強度変換を導入する。 第2に,推定エゴモーションと深度によって引き起こされる再投影対応を補正するために,画素ごとの残留フローマップを推定する。
  論文  参考訳（メタデータ） (2022-06-28T09:29:55Z)
• Modulated Contrast for Versatile Image Synthesis [60.304183493234376]
  MoNCEは画像のコントラストを導入し、多面的画像間距離の知覚のための校正基準を学習する。 複数の対照的な目的に対して協調的に負のサンプルのプッシュ力を変調するために,MoNCEの最適輸送を導入する。
  論文  参考訳（メタデータ） (2022-03-17T14:03:46Z)
• Invertible Network for Unpaired Low-light Image Enhancement [78.33382003460903]
  本稿では,非可逆的ネットワークを活用して,前処理における低照度画像の強化と,非対向学習により逆向きに通常の照度画像の劣化を図ることを提案する。 対向的損失に加えて、トレーニングの安定性を確保し、より詳細な画像を保存するために、様々な損失関数を設計する。 低照度画像に対するプログレッシブ自己誘導強調処理を提案し,SOTAに対して良好な性能を示す。
  論文  参考訳（メタデータ） (2021-12-24T17:00:54Z)
• Recurrent Exposure Generation for Low-Light Face Detection [113.25331155337759]
  本稿では,Recurrent Exposure Generation (REG) モジュールと Multi-Exposure Detection (MED) モジュールを提案する。 REGは、様々な露光設定に対応する段階的かつ効率的な中間画像を生成する。 このような擬似露光はMEDによって融合され、異なる照明条件で顔を検出する。
  論文  参考訳（メタデータ） (2020-07-21T17:30:51Z)

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。