論文の概要: Spectra: Multi-Scale Implicit Decomposition for Deepfake Detection

• arxiv url: http://arxiv.org/abs/2610.31979v1
• Date: Thu, 22 Oct 2026 22:36:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.306774
• Title: Spectra: Multi-Scale Implicit Decomposition for Deepfake Detection
• Title（参考訳）: スペクトル:ディープフェイク検出のためのマルチスケールインプリシット分解
• Abstract要約: ディープフェイクはますますデジタルメディアへの信頼を損なう。 既存の検出器はしばしば、目に見えない操作技術、圧縮レベル、データセットシフトを一般化するのに苦労する。 本稿では,意味的視覚表現とアーチファクトを併用したディープフェイク検出フレームワークであるSpectraを提案する。
• 参考スコア（独自算出の注目度）: 50.759615470015575
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deepfakes increasingly undermine trust in digital media, yet existing detectors often struggle to generalize across unseen manipulation techniques, compression levels, and dataset shifts. Most approaches rely on RGB appearance, frequency-domain artifacts, or their combination, learning cues present in the final synthesized image. While effective in-distribution, such cues are frequently generator-specific and can diminish as synthesis models evolve. We argue that a complementary perspective can be obtained through implicit neural representations (INRs), which expose how an image is reconstructed rather than merely how it appears. By fitting an INR to an image and analyzing its internal activations, one can reveal reconstruction dynamics that are difficult to observe in the image domain alone and may capture more intrinsic differences between genuine and synthetic content. To this end, we propose Spectra, a deepfake detection framework that combines semantic visual representations with artifact-aware cues derived from INR reconstruction. Spectra extracts multi-level reconstruction heatmaps from image-specific INRs and jointly models them with semantic features through a bidirectional fusion mechanism. This enables direct interaction between image semantics and reconstruction artifacts, allowing the model to identify forgery cues that are less dependent on specific generation pipelines. Extensive experiments on multiple deepfake benchmarks demonstrate improved robustness and cross-dataset generalization, consistently outperforming detectors based solely on RGB appearance or semantic representations. Furthermore, we show that the proposed representation extends beyond deepfake detection to face presentation attack detection, highlighting its potential as a unified framework for facial attack detection.
• Abstract（参考訳）: ディープフェイクはデジタルメディアへの信頼を弱める傾向にあるが、既存の検出器は、目に見えない操作テクニック、圧縮レベル、データセットシフトを一般化するのに苦労することが多い。 ほとんどのアプローチは、RGBの外観、周波数領域のアーティファクト、またはそれらの組み合わせに依存し、最終合成画像に存在する学習の手がかりである。 効果的な分布ではあるものの、このようなキューはしばしば発生器固有のものであり、合成モデルが進化するにつれて減少する。 我々は、画像がどのように見えるかではなく、どのように再構成されるかを明らかにする暗黙の神経表現(INR)を通して補完的な視点を得ることができると論じる。 INRを画像に適合させ、その内部の活性化を分析することで、画像領域内で観察が難しい再構成ダイナミクスを明らかにすることができ、真の内容と合成内容のより内在的な違いを捉えることができる。 そこで本研究では,INR再構成から派生した,意味的視覚表現とアーチファクト認識キューを組み合わせたディープフェイク検出フレームワークであるSpectraを提案する。 Spectraは、画像固有のINRから多段階の再構築ヒートマップを抽出し、双方向の融合機構を通じて意味的特徴と組み合わせてモデル化する。 これにより、イメージセマンティクスと再構成アーティファクトの直接的な相互作用が可能になり、モデルは特定の生成パイプラインに依存しない偽のキューを識別できる。 複数のディープフェイクベンチマークに対する大規模な実験は、堅牢性の向上とデータセット間の一般化を示し、RGBの外観やセマンティック表現のみに基づく検出器よりも一貫して優れていた。 さらに,提案した表現は,ディープフェイク検出を越えて提示攻撃検出に拡張され,顔攻撃検出の統一フレームワークとしての可能性を強調した。

関連論文リスト

• Understanding Why Foundation Models Work for Diffusion-Generated Image Detection [17.35112221493337]
  本研究では,基礎モデルに基づく検出器を用いて,実際の画像と拡散生成画像とを識別する手法について検討する。 以上の結果から, 基礎モデルに基づく検出器は, 実画像と拡散画像の非意味な低-中間周波数分布の相違を捉えることに成功した。
  論文  参考訳（メタデータ） (2026-08-12T15:18:10Z)
• Synthetic Image Detection via Spectral Gaps of QC-RBIM Nishimori Bethe-Hessian Operators [0.0]
  本稿では,スパース重み付きグラフ上でのコミュニティ検出問題として,合成画像識別を扱うモデル非依存検出器を提案する。 Flickr-Faces-HQ と CelebA の実際の写真と、GAN と拡散モデルにより生成された合成写真を用いて、猫対犬対男性対女性対バイナリタスクのアプローチを検証する。 我々の貢献は、深部画像の特徴を埋め込んだ新しいLDPCグラフ構築、西森温度RBIMとベーテ・ヘッセンスペクトル間の解析的リンク、新しい生成アーキテクチャに頑健な実用的で教師なしの合成画像検出器である。
  論文  参考訳（メタデータ） (2025-08-27T09:06:53Z)
• Explainable Synthetic Image Detection through Diffusion Timestep Ensembling [30.298198387824275]
  本稿では,複数の雑音の時間ステップでアンサンブルを訓練することにより,中間雑音画像の特徴を直接活用する合成画像検出手法を提案する。 人間の理解を深めるために,メートル法に基づく説明文生成と改良モジュールを導入する。 本手法は, 正解率98.91%, 正解率95.89%, 正解率95.89%, 正解率98.91%, 正解率95.89%である。
  論文  参考訳（メタデータ） (2025-03-08T13:04:20Z)
• 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)
• Rethinking the Up-Sampling Operations in CNN-based Generative Network for Generalizable Deepfake Detection [86.97062579515833]
  我々は、アップサンプリング操作から生じる一般化された構造的アーティファクトをキャプチャし、特徴付ける手段として、NPR(Neighboring Pixel Relationships)の概念を紹介した。 tft28の異なる生成モデルによって生成されたサンプルを含む、オープンワールドデータセット上で包括的な分析を行う。 この分析は、新しい最先端のパフォーマンスを確立し、既存の手法よりも優れたtft11.6%の向上を示している。
  論文  参考訳（メタデータ） (2023-12-16T14:27:06Z)
• Parents and Children: Distinguishing Multimodal DeepFakes from Natural Images [60.34381768479834]
  近年の拡散モデルの発展により、自然言語のテキストプロンプトから現実的なディープフェイクの生成が可能になった。 我々は、最先端拡散モデルにより生成されたディープフェイク検出に関する体系的研究を開拓した。
  論文  参考訳（メタデータ） (2023-04-02T10:25:09Z)
• Beyond the Spectrum: Detecting Deepfakes via Re-Synthesis [69.09526348527203]
  ディープフェイク(Deepfakes)として知られる非常に現実的なメディアは、現実の目から人間の目まで区別できない。 本研究では,テスト画像を再合成し,検出のための視覚的手がかりを抽出する,新しい偽検出手法を提案する。 種々の検出シナリオにおいて,提案手法の摂動に対する有効性の向上,GANの一般化,堅牢性を示す。
  論文  参考訳（メタデータ） (2021-05-29T21:22:24Z)

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。