Arxiv hàng ngày

Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới.
Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận.
Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.

Khi Deepfake trông thật: Phát hiện khuôn mặt do AI tạo ra với dữ liệu chưa được gắn nhãn do những thách thức về chú thích

Created by
  • Haebom

Tác giả

Zhiqiang Yang, Renshuai Tao, Xiaolong Zheng, Guodong Yang, Chunjie Zhang

Phác thảo

Để Giải quyết vấn đề phụ thuộc vào dữ liệu được gắn nhãn vốn có trong các phương pháp phát hiện deepfake hiện có, bài báo này đề xuất Mạng hướng dẫn đường đôi (DPGNet) tận dụng dữ liệu không được gắn nhãn quy mô lớn. DPGNet bao gồm hai mô-đun cốt lõi: một mô-đun thu hẹp khoảng cách miền giữa các hình ảnh khuôn mặt được tạo bởi các mô hình sinh khác nhau và mô-đun còn lại tận dụng các mẫu hình ảnh không được gắn nhãn. Mô-đun đầu tiên, căn chỉnh liên miền theo hướng dẫn văn bản, tích hợp nhúng hình ảnh và văn bản vào không gian đặc trưng bất biến theo miền bằng cách sử dụng các lời nhắc có thể học được. Mô-đun thứ hai, tạo nhãn giả theo chương trình giảng dạy, tận dụng động các mẫu không được gắn nhãn giàu thông tin. Hơn nữa, nó ngăn ngừa tình trạng quên thông qua việc chắt lọc kiến thức liên miền. Kết quả thử nghiệm trên 11 tập dữ liệu chứng minh rằng DPGNet vượt trội hơn phương pháp tiên tiến (SoTA) là 6,3%. Điều này chứng minh tính hiệu quả của DPGNet trong việc giải quyết vấn đề chú thích ngày càng thực tế của hình ảnh deepfake bằng cách tận dụng dữ liệu không được gắn nhãn.

Takeaways, Limitations

•
Takeaways:
◦
Chúng tôi trình bày một phương pháp mới để sử dụng hiệu quả dữ liệu quy mô lớn, không có nhãn nhằm cải thiện hiệu suất phát hiện deepfake.
◦
Chúng tôi trình bày các chiến lược hiệu quả để thu hẹp khoảng cách miền và sử dụng dữ liệu chưa được gắn nhãn (căn chỉnh miền chéo theo hướng dẫn văn bản và tạo nhãn giả theo chương trình giảng dạy).
◦
Góp phần giảm bớt khó khăn trong công việc chú thích trong lĩnh vực phát hiện deepfake.
◦
ĐạT được những cải tiến hiệu suất đáng kể so với các mẫu máy có hiệu suất cao hiện có.
•
Limitations:
◦
Cần phải xác minh thêm hiệu suất tổng quát của phương pháp đề xuất.
◦
Cần phải đánh giá độ tin cậy của nhiều loại mô hình tạo deepfake khác nhau.
◦
Cần phải đánh giá hiệu suất trong môi trường mạng xã hội trực tuyến thực tế.
◦
Có thể phụ thuộc vào kỹ thuật nhanh chóng.
👍
Made with Slashpage