論文の概要: From GAN-Based Models to GPT-5: A Taxonomy-Guided Study of Human Performance in Detecting Deepfake Face Images

• arxiv url: http://arxiv.org/abs/2610.23144v2
• Date: Mon, 19 Oct 2026 09:07:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 06:32:45.327327
• Title: From GAN-Based Models to GPT-5: A Taxonomy-Guided Study of Human Performance in Detecting Deepfake Face Images
• Title（参考訳）: GANモデルからGPT-5へ:ディープフェイク顔画像検出における人的パフォーマンスの分類指導による研究
• Abstract要約: ディープフェイクの生成モデルは、GANベースのアーキテクチャから拡散モデルや多モーダルな言語モデルへと急速に進化してきた。 生成モデル間で検出性能が(どのように)異なるか、モデル固有のトレーニングが汎用トレーニングよりも効果的に検出を改善するかは、まだ不明である。
• 参考スコア（独自算出の注目度）: 36.12131133461259
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative models for deepfakes have rapidly evolved from GAN-based architectures to diffusion models and multimodal large language models (MLLMs). However, empirical research on human performance in detecting deepfake face images has not kept pace. It remains unclear if (and how) detection performance varies across generative models and whether model-specific training improves detection more effectively than general-purpose training. In this paper, we propose the \emph{Deepfake Face Artifact Taxonomy} (DFAT), a cross-model taxonomy of human-recognizable visual artifacts in deepfake face images, based on which we build both general-purpose and model-specific training materials. Through an online experiment ($n = 524$), we examined human performance in detecting deepfake face images and evaluated training efficacy across five representative generative models: three GAN-based, one diffusion-based, and one MLLM (GPT-5). Our results show that participants' detection accuracy was strongly model-dependent and that images generated by more recent and advanced models were not necessarily harder to detect. After training, participants achieved significant performance gains across most conditions, and their improvement varied by model. Notably, model-specific training generally yielded greater numerical gains than general-purpose training. In a five-month follow-up test ($n = 342$), we observed no significant decline in detection accuracy and no significant increase in perceived stress. Overall, our findings provide actionable insights for designing effective, sustainable, and targeted training programs to counter the growing threat posed by deepfakes.
• Abstract（参考訳）: ディープフェイクの生成モデルは、GANベースのアーキテクチャから拡散モデルやMLLM(Multimodal large language model)へと急速に進化してきた。 しかし、ディープフェイク顔画像の検出における人間のパフォーマンスに関する実証的研究はペースを保っていない。 生成モデル間で(そしてどのように)検出性能が変化するか、およびモデル固有のトレーニングが汎用トレーニングよりも検出をより効果的に改善するか否かは、まだ不明である。 本稿では,Deepfake Face Artifact Taxonomy} (DFAT)を提案する。これはディープフェイク顔画像における人間の認識可能な視覚的アーティファクトのクロスモデル分類であり,汎用とモデル固有のトレーニング材料の両方を構築している。 オンライン実験 (n = 524$) を通じて, 3つのGANベース, 1つの拡散ベース, 1つのMLLM (GPT-5) を対象とし, ディープフェイク顔画像の検出とトレーニング効果の評価を行った。 その結果, 被験者の検出精度はモデル依存性が強く, より最近のモデルや高度なモデルで生成された画像は必ずしも検出が困難ではないことがわかった。 トレーニング後、参加者はほとんどの条件で大きなパフォーマンス向上を達成し、その改善はモデルによって異なる。 特に、モデル固有のトレーニングは、一般的に汎用トレーニングよりも大きな数値的なゲインを得た。 5カ月の追跡試験(n = 342$)では,検出精度は有意な低下はなく,認知ストレスも有意な増加は見られなかった。 全体として,本研究は,ディープフェイクによる脅威の増大に対処するために,効果的な,持続可能な,目標とするトレーニングプログラムを設計するための実用的な洞察を提供する。

関連論文リスト

• Fake it till You Make it: Reward Modeling as Discriminative Prediction [49.31309674007382]
  GAN-RMは、手動の嗜好アノテーションと明示的な品質次元工学を排除した効率的な報酬モデリングフレームワークである。 提案手法は,少数の対象サンプルを識別し,報酬モデルを訓練する。 実験では、GAN-RMが複数の主要なアプリケーションにまたがって有効であることを実証した。
  論文  参考訳（メタデータ） (2025-06-16T17:59:40Z)
• DICEPTION: A Generalist Diffusion Model for Visual Perceptual Tasks [61.16389024252561]
  計算資源と限られた訓練データとの制約下で複数のタスクに対処できる頑健な一般認識モデルを構築した。 我々は、何十億もの画像に事前訓練されたテキスト・画像拡散モデルを活用し、ビジュアル・ジェネラリスト・モデルであるDICEPTIONの導入に成功した。 DICEPTIONは、SOTAシングルタスクスペシャリストモデルに匹敵するパフォーマンスを達成しつつ、様々な知覚タスクに効果的に取り組むことを示す。
  論文  参考訳（メタデータ） (2025-02-24T13:51:06Z)
• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• DepthART: Monocular Depth Estimation as Autoregressive Refinement Task [2.3884184860468136]
  DepthART - Depth Autoregressive Refinement Taskとして定式化された新しいトレーニング手法を紹介する。 モデル自身の予測を入力として利用することにより、目標を残留最小化とし、トレーニングと推論手順の相違を効果的に軽減する。 提案手法を用いてHypersimデータセットをトレーニングすると、既存の生成的および識別的ベースラインと比較して、複数の未確認ベンチマークで優れた結果が得られる。
  論文  参考訳（メタデータ） (2024-09-23T13:36:34Z)
• Opinion-Unaware Blind Image Quality Assessment using Multi-Scale Deep Feature Statistics [54.08757792080732]
  我々は,事前学習された視覚モデルからの深い特徴を統計的解析モデルと統合して,意見認識のないBIQA(OU-BIQA)を実現することを提案する。 提案モデルは,最先端のBIQAモデルと比較して,人間の視覚的知覚との整合性に優れる。
  論文  参考訳（メタデータ） (2024-05-29T06:09:34Z)
• Myope Models -- Are face presentation attack detection models short-sighted? [3.4376560669160394]
  プレゼンテーション攻撃は生体認証システムへの繰り返しの脅威であり、インポスタはこれらのシステムをバイパスしようとする。 本研究は,作物と無作為の顔提示攻撃検出(PAD)モデルの比較研究である。 その結果,画像に背景が存在する場合,その性能は一貫して良好であることがわかった。
  論文  参考訳（メタデータ） (2021-11-22T11:28:44Z)
• Models, Pixels, and Rewards: Evaluating Design Trade-offs in Visual Model-Based Reinforcement Learning [109.74041512359476]
  視覚的MBRLアルゴリズムにおける予測モデルの設計決定について検討する。 潜在空間の使用など、しばしば重要と見なされる設計上の決定は、タスクのパフォーマンスにはほとんど影響しないことが分かりました。 我々は,この現象が探索とどのように関係しているか,および標準ベンチマークにおける下位スコーリングモデルのいくつかが,同じトレーニングデータでトレーニングされた場合のベストパフォーマンスモデルと同等の性能を発揮するかを示す。
  論文  参考訳（メタデータ） (2020-12-08T18:03:21Z)

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。