Belangrijkste concepten
ディープフェイク検知の精度と一般化性を向上させるために、アンサンブル学習に基づくデータ拡張手法を提案する。この手法は、ディープフェイク生成モデルによって導入される特徴を模倣する人工的な指紋をトレーニングデータに挿入することで、検知器のロバスト性を高める。
Samenvatting
本研究は、ディープフェイク検知の精度と一般化性を向上させるための新しい手法を提案している。
まず、顔領域の抽出、基本的な摂動の適用、そして自己符号化器のアンサンブルを使った人工的な指紋の挿入という3つのステップからなるトレーニングプロセスを紹介している。この手法により、検知器がディープフェイク生成モデルの進化に対してより頑健になる。
実験では、3つのデータセット(FF++、CelebDF、DFDC preview)を用いて提案手法の有効性を検証している。結果として、提案手法は基準モデルと比べて、ノイズ、ぼかし、圧縮などの摂動に対するロバスト性が向上し、一般化性も向上することが示された。特に、未知のデータセットに対する性能が大幅に改善された。
さらに、ホワイトボックス攻撃とブラックボックス攻撃に対する耐性も評価しており、提案手法がこれらの攻撃に対してもある程度の改善を示すことが確認された。
全体として、本研究は、ディープフェイク検知の精度と一般化性を向上させるための新しい手法を提案し、その有効性を実験的に示したものである。
Statistieken
ディープフェイク検知の精度(AUC)は、基準モデルに比べて、提案手法(EA)では平均で3.9%向上し、提案手法(EA+CA)では4.9%向上した。
一般化性の評価では、CelebDFデータセットでEAが5.9%、EA+CAが7.6%向上した。
DFDC previewデータセットでは、EAが3.3%、EA+CAが4.7%向上した。