Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Quand les deepfakes semblent réels : détection des visages générés par l'IA avec des données non étiquetées en raison de problèmes d'annotation

Created by
  • Haebom

Auteur

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

Contour

Cet article propose un réseau de guidage à double chemin (DPGNet) qui utilise des données non étiquetées à grande échelle pour surmonter la dépendance des méthodes existantes de détection des deepfakes à l'égard des données d'étiquetage. Compte tenu de la difficulté croissante de distinguer les images deepfakes des images réelles, nous nous efforçons de combler l'écart de domaine entre les différents modèles génératifs et d'exploiter efficacement les données non étiquetées. DPGNet résout ce problème grâce à un module d'alignement inter-domaines basé sur du texte et un module de génération de pseudo-étiquettes basé sur le programme scolaire, et prévient le problème d'oubli grâce à la distillation des connaissances inter-domaines. Les résultats expérimentaux obtenus sur 11 jeux de données représentatifs montrent que DPGNet surpasse de 6,3 % la méthode de pointe (SoTA) existante.

Takeaways, Limitations

•
Takeaways:
◦
Nous présentons de nouvelles possibilités de détection de deepfakes en utilisant des données non étiquetées à grande échelle.
◦
Surmontez les limites des méthodes existantes grâce à un alignement inter-domaines basé sur le texte et à des stratégies d’apprentissage basées sur le programme.
◦
Nous démontrons l’efficacité de DPGNet à travers des résultats expérimentaux qui surpassent SoTA sur 11 ensembles de données.
•
Limitations:
◦
Une validation supplémentaire des performances de généralisation de la méthode proposée est nécessaire.
◦
Il y a un manque d’évaluation des performances dans les environnements en ligne réels.
◦
Des recherches supplémentaires sont nécessaires pour comprendre l’adaptabilité des nouveaux modèles de génération de deepfake.
👍
Made with Slashpage