論文の概要: RLDF: A Region-Level Deepfake Dataset and Benchmark for Partial-Face Manipulation Detection

• arxiv url: http://arxiv.org/abs/2610.21438v1
• Date: Thu, 15 Oct 2026 07:46:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.258234
• Title: RLDF: A Region-Level Deepfake Dataset and Benchmark for Partial-Face Manipulation Detection
• Title（参考訳）: RLDF:部分面操作検出のための領域レベルディープフェイクデータセットとベンチマーク
• Abstract要約: 地域レベルのディープフェイク評価のための最初のデータセットであるRDDF(Region-Level Deepfake)を紹介する。 我々は8つの顔スワッピングメソオッドを用いて2万枚以上の顔スワップ画像を生成する。 評価の結果,既存の検出器は部分的な顔領域にわたって一貫した一般化に失敗していることが明らかとなった。
• 参考スコア（独自算出の注目度）: 1.9269756235105742
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing deepfake detection models are built upon manipu- lated images that are tampered with either exclusively fully swapped or fully synthesised faces, which leads us to an open question: Can off-the-shelf deepfake models detect manipulation effectively while tampering is confined to a local facial sub-region? To fill this gap, we introduce RLDF (Region-Level Deepfake), the first dataset for region-level deepfake evaluation. Employing the proposed region-aware partial swap synthesis model, we generate over 2M par- tial face-swap images by using eight face-swapping meth- ods. Altogether, we considered seven face regions, among which there are four discrete regions (eye, nose, mouth and eyebrow) and four composite facial regions (eye and nose; eye, nose and mouth; eye, nose, mouth and eye- brow; and full face). In addition, we define three evalu- ation protocols and benchmark 12 state-of-the-art detectors across the five popular standard cross-dataset evaluations, DF40, and the proposed RLDF, providing a comprehen- sive audit of where and why existing detectors underper- formed. Our evaluation reveals that existing detectors fail to generalize consistently across partial facial regions, re- sulting in an overall drop of 10.5% AUC and 10% accu- racy under region-level evaluation. Further, we propose a mask-guided cross-attention model as a baseline approach that can effectively detect region-level manipulation. The proposed dataset, code, and checkpoints are available at https://github.com/RLDF-Dataset/RLDF.
• Abstract（参考訳）: 既存のディープフェイク検出モデルは、完全にスワップされたか、完全に合成された顔で改ざんされたマニプの遅延画像に基づいて構築されている。 このギャップを埋めるために、地域レベルのディープフェイク評価のための最初のデータセットであるRDDF(Region-Level Deepfake)を導入する。 提案する領域対応部分スワップ合成モデルを用いて,8つの面スワッピングメスオードを用いて2M以上の面スワップ画像を生成する。 また,7つの顔領域について検討した。そのうち4つの顔領域(目,鼻,口,まぶた)と4つの複合顔領域(目,鼻,鼻,口,目,鼻,口,まぶた,全顔)である。 さらに,5つの標準データ集合評価であるDF40とRDDFの3つの評価プロトコルとベンチマーク12の最先端検出器を定義する。 我々の評価では、既存の検出器は部分的な顔領域を一貫して一般化することができず、領域レベルの評価では、全体の10.5%のAUCと10%のAccu-Racyの低下で再侮辱される。 さらに,領域レベルの操作を効果的に検出できるベースラインアプローチとしてマスク誘導型クロスアテンションモデルを提案する。 提案されているデータセット、コード、チェックポイントはhttps://github.com/RLDF-Dataset/RLDFで確認できる。

関連論文リスト

• DiffFace-Edit: A Diffusion-Based Facial Dataset for Forgery-Semantic Driven Deepfake Detection Analysis [10.354201196086843]
  我々は、200万以上のAI生成フェイク画像を含むDiffFace-Editデータセットを紹介した。 8つの顔領域(例えば目、鼻など)にまたがる編集機能を備えており、より多様な編集機能を備えている。 具体的には,検出器回避サンプルが検出モデルに与える影響を具体的に分析する。
  論文  参考訳（メタデータ） (2026-01-20T03:21:43Z)
• DDL: A Large-Scale Datasets for Deepfake Detection and Localization in Diversified Real-World Scenarios [51.916287988122406]
  本稿では,$textbf1.4M+$forgedサンプルを含む大規模ディープフェイク検出およびローカライゼーション(textbfDDL)データセットを提案する。 我々のDDLは、複雑な現実世界の偽造のより困難なベンチマークを提供するだけでなく、次世代のディープフェイク検出、ローカライゼーション、解釈可能性メソッドを構築するための重要なサポートも提供しています。
  論文  参考訳（メタデータ） (2025-06-29T15:29:03Z)
• DF40: Toward Next-Generation Deepfake Detection [62.073997142001424]
  既存の研究は、ある特定のデータセットで検出器をトレーニングし、他の一般的なディープフェイクデータセットでテストすることで、トップノーチ検出アルゴリズムとモデルを識別する。 しかし、これらの「勝者」は現実の世界に潜む無数の現実的で多様なディープフェイクに取り組むために真に応用できるのだろうか? 我々は,40の異なるディープフェイク技術からなるDF40という,高度に多様なディープフェイク検出データセットを構築した。
  論文  参考訳（メタデータ） (2024-06-19T12:35:02Z)
• Towards Generalizable Deepfake Detection by Primary Region Regularization [52.41801719896089]
  本稿では,新しい正規化の観点から一般化能力を高める。 本手法は, 一次領域マップの静的な位置決めと, 一次領域マスクの動的利用の2段階からなる。 5つのバックボーンを持つDFDC,DF-1.0,Celeb-DFの3種類のディープフェイクデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-07-24T05:43:34Z)
• Detect Any Deepfakes: Segment Anything Meets Face Forgery Detection and Localization [30.317619885984005]
  本稿では,視覚的セグメンテーション基盤モデル,すなわちセグメンテーションモデル(SAM)をフォージェリ検出とローカライゼーションの対面に導入する。 SAMに基づいて,Multiscale Adapterを用いたDADFフレームワークを提案する。 提案するフレームワークは、エンドツーエンドのフォージェリーローカライゼーションと検出最適化をシームレスに統合する。
  論文  参考訳（メタデータ） (2023-06-29T16:25:04Z)
• Real Face Foundation Representation Learning for Generalized Deepfake Detection [74.4691295738097]
  ディープフェイク技術の出現は、個人のプライバシーと公共の安全に脅威をもたらすため、社会的な問題となっている。 十分な偽の顔を集めることはほぼ不可能であり、既存の検出器があらゆる種類の操作に一般化することは困難である。 本稿では,大規模な実顔データセットから一般表現を学習することを目的としたリアルフェイスファウンデーション表現学習(RFFR)を提案する。
  論文  参考訳（メタデータ） (2023-03-15T08:27:56Z)
• J$\hat{\text{A}}$A-Net: Joint Facial Action Unit Detection and Face Alignment via Adaptive Attention [57.51255553918323]
  本稿では,共同AU検出と顔アライメントのための新しいエンドツーエンドディープラーニングフレームワークを提案する。 我々のフレームワークは、BP4D, DISFA, GFT, BP4D+ベンチマークにおいて、最先端のAU検出方法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2020-03-18T12:50:19Z)
• FakeLocator: Robust Localization of GAN-Based Face Manipulations [19.233930372590226]
  本稿では,FakeLocatorと呼ばれる新しいアプローチを提案する。 これは、GANベースのフェイクローカライゼーション問題をグレースケールのフェイクネスマップで解決する最初の試みである。 人気の高いFaceForensics++,DFFDデータセット,および7種類の最先端のGANベースの顔生成手法による実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-01-27T06:15:01Z)

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。