論文の概要: Not All Challenges Are Equal: Evaluating Interactive Liveness Detection Against Real-Time Face Swaps
- arxiv url: http://arxiv.org/abs/2610.16417v1
- Date: Mon, 12 Oct 2026 08:51:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-18 23:21:40.828557
- Title: Not All Challenges Are Equal: Evaluating Interactive Liveness Detection Against Real-Time Face Swaps
- Title（参考訳）: リアルタイム顔スワップに対する対話型ライブネス検出の評価
- Abstract要約: リモート認証は、カメラストリームがライブの人物を表示すると仮定するが、公開リアルタイムのフェイススワップツールは、ストリームが検証者に到達する前にその人物を置き換えることができる。
パッシブディープフェイク検出器は、新しいジェネレータに悪影響を及ぼす一方、インタラクティブな課題は、どのジェスチャーが現在の攻撃を露呈するかの証拠なしで選択されることが多い。
仮想カメラを用いて,6人の被験者による108回のライブセッション,24人の人物識別,2つのフェイススワップツール,DeepFaceLiveとFaceFusionのランダムなジェスチャー課題を評価した。
- 参考スコア（独自算出の注目度）: 0.16419687521433918
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Remote identity verification assumes that a camera stream shows a live person, yet public real-time face-swap tools can replace that person before the stream reaches the verifier. Passive deepfake detectors generalize poorly to new generators, while interactive challenges are often selected without evidence of which gestures expose current attacks. We evaluate randomized gesture challenges in 108 live sessions with six subjects, 24 impersonated identities, and two face-swap tools, DeepFaceLive and FaceFusion, injected through a virtual camera. The static calibration segment reaches a session-level AUC of 0.878 with a frozen UCF spatial detector, while the mean across the active-gesture windows reaches 0.988. Pose and combined gestures have the highest point estimates, whereas expressions show no clear improvement. Hand occlusion against FaceFusion, configured with an occlusion mask, scores below the static baseline. The end-to-end time required to satisfy the validator also distinguishes attacks from genuine sessions, achieving a session-level AUC of 0.732, although this signal includes synthesis and transport delays. These results show that challenge sets should be tested against current attack configurations and that response time can provide an additional, deployment-specific signal.
- Abstract（参考訳）: リモート認証は、カメラストリームがライブの人物を表示すると仮定するが、公開リアルタイムのフェイススワップツールは、ストリームが検証者に到達する前にその人物を置き換えることができる。
パッシブディープフェイク検出器は、新しいジェネレータに悪影響を及ぼす一方、インタラクティブな課題は、どのジェスチャーが現在の攻撃を露呈するかの証拠なしで選択されることが多い。
仮想カメラを用いて,6人の被験者による108回のライブセッション,24人の人物識別,2つのフェイススワップツール,DeepFaceLiveとFaceFusionのランダムなジェスチャー課題を評価した。
静的キャリブレーションセグメントは、凍ったUCF空間検出器で0.878のセッションレベルAUCに到達し、アクティブ妊娠ウィンドウの平均値は0.988に達した。
ポーズとジェスチャの組み合わせが最も高い推定値を持つのに対して、表現は明確な改善を示さない。
FaceFusionに対する手動オクルージョンは、オクルージョンマスクで構成され、静的ベースラインより下位にスコアされる。
バリデータを満たすのに必要なエンドツーエンド時間は、実際のセッションと攻撃を区別し、セッションレベルのAUCは0.732である。
これらの結果は、チャレンジセットが現在の攻撃設定に対してテストされるべきであることを示し、レスポンス時間は追加のデプロイメント固有の信号を提供することができることを示している。
関連論文リスト
- LIBERO-MAX: Do Robot Policies Adapt When the World Changes? [61.52324972910026]
多くのシミュレーションロバストネスベンチマークは、リセット時に外部条件を修正し、この時間的課題を過小評価する。
LIBERO-MAXは、幾何学、観察、外観、乱雑、経路の8種類の変化にまたがる8000のペアケースのベンチマークである。
各ペアはタスク実行と、タスク、初期状態、ポリシーシード、修正前のアクションシーケンスを保持する中タスクイベントとを比較します。
論文 参考訳（メタデータ） (2026-09-29T02:12:26Z) - When Seeing Overrides Knowing: Visual Dominance and Deferral-Based Method for Personalized Safety in VLMs [54.95635713318535]
視覚言語モデル(VLM)は、一般的に妥当な応答が特定のユーザにとって安全でない場合、ハイテイクな設定でデプロイされることが多い。
マルチモーダルシステムにおけるパーソナライズされた安全性の問題について検討し,MPS-Benchを紹介した。
我々は、ほとんど常に(86-99%)直接応答し、コンテキストの欠如を求めるのではなく、パーソナライズされた安全性において2.6/5を超えないことを発見した。
このメカニズムにより、双方向の相互変調を用いてクエリがいつ要求されるかを予測する軽量な入力モニタであるPRISMを提案する。
論文 参考訳（メタデータ） (2026-09-03T03:58:56Z) - A Combined Feature-Based Framework for Disguise and Spoofing Detection in Face Recognition Systems [0.0]
顔認識システムは2つの異なる分離された障害モードに直面している。
本稿では,1つのフレームワーク内の2つの問題に対処する5つの機能抽出と分類パイプラインを提案し,比較する。
これらの手法は、FEI、Disguised Faces Database、NUAAデータベースから抽出された115の被験者で訓練された。
論文 参考訳（メタデータ） (2026-08-09T06:40:34Z) - Adv-TGD: Adversarial Text-Guided Diffusion for Face Recognition Impersonation Attacks [2.1485350418225244]
本稿では,ジェネレーティブ・アタック・フレームワークであるAdv-TGDを提案する。
ターゲットのアイデンティティを偽装し、顔認識システムを欺くことができる光現実的な顔を合成する。
Adv-TGDは、IR152、IRSE50、MobileFace、FaceNetで平均攻撃成功率(ASR)が85.90%に達する。
論文 参考訳（メタデータ） (2026-06-10T03:28:00Z) - Face-D(^2)CL: Multi-Domain Synergistic Representation with Dual Continual Learning for Facial DeepFake Detection [21.09692782202372]
継続的な学習は、顔のディープフェイク検出モデルをフォージェリパターンに適応するための効果的なアプローチを提供する。
顔のディープフェイク検出のためのフレームワークFace-D(2)CLを提案する。
論文 参考訳（メタデータ） (2026-04-09T12:18:42Z) - FA^{3}-CLIP: Frequency-Aware Cues Fusion and Attack-Agnostic Prompt Learning for Unified Face Attack Detection [26.615096090240613]
顔認識システムは物理的(例えば印刷された写真)やデジタル(例えばディープフェイク)の顔攻撃に対して脆弱である。
既存の手法では、クラス内の大きなバリエーションにより、物理的およびデジタル攻撃を同時に検出するのに苦労している。
本稿では、FAsupertextscript3-CLIP(FAsupertextscript3-CLIP)と呼ばれる攻撃検出モデルを提案する。
論文 参考訳（メタデータ） (2025-04-01T06:19:50Z) - Exploring Decision-based Black-box Attacks on Face Forgery Detection [53.181920529225906]
顔の偽造生成技術は鮮明な顔を生み出し、セキュリティとプライバシーに対する世間の懸念を高めている。
顔偽造検出は偽の顔の識別に成功しているが、最近の研究では顔偽造検出は敵の例に対して非常に脆弱であることが示されている。
論文 参考訳（メタデータ） (2023-10-18T14:49:54Z) - Surveillance Face Anti-spoofing [81.50018853811895]
Face Anti-Spoofing (FAS) は、様々な物理的攻撃から顔認識システムを保護するために不可欠である。
本稿では,画像品質による性能劣化を軽減するために,コントラスト品質不変学習(CQIL)ネットワークを提案する。
多くの実験がSuHiFiMaskデータセットの品質と提案したCQILの優位性を検証する。
論文 参考訳（メタデータ） (2023-01-03T07:09:57Z) - Exploring Frequency Adversarial Attacks for Face Forgery Detection [59.10415109589605]
フェースフォージェリ検出器に対する周波数対向攻撃法を提案する。
また,メタラーニングの概念に触発されて,空間領域と周波数領域の両方で攻撃を行うハイブリッド逆攻撃を提案する。
論文 参考訳（メタデータ） (2022-03-29T15:34:13Z) - Dual Spoof Disentanglement Generation for Face Anti-spoofing with Depth
Uncertainty Learning [54.15303628138665]
フェース・アンチ・スプーフィング(FAS)は、顔認識システムが提示攻撃を防ぐ上で重要な役割を担っている。
既存のフェース・アンチ・スプーフィング・データセットは、アイデンティティと重要なばらつきが不十分なため、多様性を欠いている。
我々は「生成によるアンチ・スプーフィング」によりこの問題に対処するデュアル・スポット・ディアンタングメント・ジェネレーション・フレームワークを提案する。
論文 参考訳（メタデータ） (2021-12-01T15:36:59Z)
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。