論文の概要: DeepfakeGenome: Toward Next-Generation Deepfake Attribution

• arxiv url: http://arxiv.org/abs/2611.06046v2
• Date: Thu, 05 Nov 2026 03:31:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.402611
• Title: DeepfakeGenome: Toward Next-Generation Deepfake Attribution
• Title（参考訳）: DeepfakeGenome: 次世代のDeepfake属性を目指して
• Abstract要約: 我々はDeepfake Genome (DFG) という総合的なディープフェイク検出と属性のベンチマークを提案する。 100の顔偽造アルゴリズムと2Mの画像が含まれており、従来のDFAベンチマークの4倍から100倍の画像を達成している。 従来のオープンセット評価指標とは異なり、提案した検索指標は、ブラックリスト登録機構の実際のアクティブディフェンス状況とより一致している。
• 参考スコア（独自算出の注目度）: 81.01403861558431
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, AIGC technologies are capable of generating hyper-realistic forged facial images, posing severe threats to facial security safety. To tackle these challenges, early Deepfake research primarily centered on real-fake classification. Recently, growing efforts have been devoted to the Deepfake Attribution (DFA) of generated content. Nevertheless, existing research on Deepfake detection and attribution faces saturated performance in binary classification, limited diversity in datasets and algorithms, and imperfect evaluation protocols, which severely impede practical application. To address these limitations, we propose a comprehensive deepfake detection and attribution benchmark named DeepfakeGenome (DFG). It contains 100 facial forgery algorithms and 2M images in total, achieving 4x to 100x larger than prior DFA benchmarks. We further design 4 protocols for practical evaluation, including a novel retrieval-based attribution paradigm. Unlike previous open-set evaluation metrics, the proposed retrieval metrics are more aligned with the real-world active defense situation of blacklist registration mechanisms. Based on these elaborate designs, we investigate the performance ceiling of deepfake attribution task. Over 2k experimental evaluations are conducted, and 10 insightful findings are derived. We believe this work can provide new insights into the DFA research field. The Code and Benchmark of DFG are avaliable on https://huggingface.co/spaces/DeepfakeGenome/DFG_Page.
• Abstract（参考訳）: 近年、AIGC技術は、顔の安全性に深刻な脅威をもたらす、超現実的な偽の顔画像を生成することができる。 これらの課題に取り組むために、ディープフェイクの研究は主に実物分類に焦点を当てた。 近年,コンテンツ生成のDeepfake Attribution(DFA)への取り組みが活発化している。 それでも、Deepfakeの検出と属性に関する既存の研究は、バイナリ分類における飽和性能、データセットとアルゴリズムの多様性の制限、そして不完全な評価プロトコルに直面する。 これらの制約に対処するため,Deepfake Genome (DFG) という総合的なディープフェイク検出と属性のベンチマークを提案する。 100の顔偽造アルゴリズムと2Mの画像が含まれており、従来のDFAベンチマークの4倍から100倍の画像を達成している。 さらに,新たな検索型属性パラダイムを含む,実用的な評価のための4つのプロトコルを設計する。 従来のオープンセット評価指標とは異なり、提案した検索指標は、ブラックリスト登録機構の実際のアクティブディフェンス状況とより一致している。 これらの精巧な設計に基づき,ディープフェイク属性タスクの性能天井について検討する。 2k以上の実験結果が得られた。 この研究は、DFA研究分野に新たな洞察をもたらすことができると信じている。 DFGのコードとベンチマークはhttps://huggingface.co/spaces/DeepfakeGenome/DFG_Pageで評価できる。

関連論文リスト

• 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)
• Cross-Branch Orthogonality for Improved Generalization in Face Deepfake Detection [43.2796409299818]
  ディープフェイクは法執行機関や一般大衆にとって迷惑になっている。 既存のディープフェイク検出器は、ディープフェイク生成のペースの改善に追随するのに苦労している。 本稿では,粗い空間情報,意味情報,それらの相互作用を活用する新しい戦略を提案する。
  論文  参考訳（メタデータ） (2025-05-08T01:49:53Z)
• A Lightweight and Interpretable Deepfakes Detection Framework [8.23719496171112]
  いわゆるディープフェイクの創造と普及は、社会生活、市民の休息、法律に深刻な脅威をもたらす。 既存の検出器のほとんどは、フェイススワップ、リップシンク、パペットマスターのディープフェイクの検出に重点を置いている。 本稿では,ハイブリッド顔のランドマークを融合した特徴量を利用した統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-21T07:03:11Z)
• 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)
• SoK: Systematization and Benchmarking of Deepfake Detectors in a Unified Framework [32.31180075214162]
  本稿は、最先端のディープフェイク検出器を広範囲にレビューし、分析し、いくつかの臨界基準で評価する。 これらの基準は、検出器を4つの高レベルなグループと13のきめ細かいサブグループに分類し、統一された概念的枠組みと整合する。 我々は,ブラックボックス,ホワイトボックス,グレーボックスの設定を含む包括的攻撃シナリオにおいて,16個の主要検出器の一般化可能性を評価する。
  論文  参考訳（メタデータ） (2024-01-09T05:32:22Z)
• Contrastive Pseudo Learning for Open-World DeepFake Attribution [67.58954345538547]
  オープンワールド・ディープフェイク (OW-DFA) と呼ばれる新しいベンチマークを導入する。 OW-DFAタスクにおけるコントラスト擬似学習(Contrastive Pseudo Learning, CPL)と呼ばれる新しいフレームワークを提案する。1)グローバル・ローカル投票モジュールを導入し、異なる操作領域の偽顔の特徴的アライメントを誘導し、2)信頼に基づくソフト擬似ラベル戦略を設計し、類似の手法による非ラベル集合における擬似雑音の軽減を図る。
  論文  参考訳（メタデータ） (2023-09-20T08:29:22Z)
• DeepfakeBench: A Comprehensive Benchmark of Deepfake Detection [55.70982767084996]
  ディープフェイク検出の分野で見落とされがちな課題は、標準化され、統一され、包括的なベンチマークがないことである。 DeepfakeBenchと呼ばれる,3つの重要なコントリビューションを提供するディープフェイク検出のための,最初の包括的なベンチマークを提示する。 DeepfakeBenchには15の最先端検出方法、9CLデータセット、一連のDeepfake検出評価プロトコルと分析ツール、包括的な評価ツールが含まれている。
  論文  参考訳（メタデータ） (2023-07-04T01:34:41Z)

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。