알려지지 않은 딥페이크 조작 방법 탐지에 강건한 딥페이크 탐지 모델을 개발하기 위해 새로운 합성 데이터 생성 방법을 제안한다. 셀프 블렌딩, 페어 블렌딩, 그리고 고주파를 제거하는 새로운 증강 기법을 활용한 블렌딩으로 구성된 총 세 가지 유형의 블렌딩을 소개한다. 고주파를 제거하는 증강 기법을 단독으로 적용해도 FF++ ...
알려지지 않은 딥페이크 조작 방법 탐지에 강건한 딥페이크 탐지 모델을 개발하기 위해 새로운 합성 데이터 생성 방법을 제안한다. 셀프 블렌딩, 페어 블렌딩, 그리고 고주파를 제거하는 새로운 증강 기법을 활용한 블렌딩으로 구성된 총 세 가지 유형의 블렌딩을 소개한다. 고주파를 제거하는 증강 기법을 단독으로 적용해도 FF++ 데이터 세트에서 95.08%의 AUC 점수를 달성했으며, 제안한 세 가지 유형의 블렌딩 방법을 모두 사용한 결과 최첨단 접근 방식에 비해 CDF의 경우 1.85%, DFDC의 경우 5.40%의 성능 향상을 달성할 수 있었다. 또한 모든 평가 데이터 세트에 대해서 AUC 점수를 구해 평균을 낸 결과를 비교했을 때 2.29%만큼 향상되었음을 보였다.
알려지지 않은 딥페이크 조작 방법 탐지에 강건한 딥페이크 탐지 모델을 개발하기 위해 새로운 합성 데이터 생성 방법을 제안한다. 셀프 블렌딩, 페어 블렌딩, 그리고 고주파를 제거하는 새로운 증강 기법을 활용한 블렌딩으로 구성된 총 세 가지 유형의 블렌딩을 소개한다. 고주파를 제거하는 증강 기법을 단독으로 적용해도 FF++ 데이터 세트에서 95.08%의 AUC 점수를 달성했으며, 제안한 세 가지 유형의 블렌딩 방법을 모두 사용한 결과 최첨단 접근 방식에 비해 CDF의 경우 1.85%, DFDC의 경우 5.40%의 성능 향상을 달성할 수 있었다. 또한 모든 평가 데이터 세트에 대해서 AUC 점수를 구해 평균을 낸 결과를 비교했을 때 2.29%만큼 향상되었음을 보였다.
We propose a novel synthetic data generation method to develop deepfake detection model that is robust to unknown manipulations. We introduce three types of blending techniques that leverage self-blending and pair-blending, along with a novel Cutoff High Frequency (CHF) augmentation that removes hig...
We propose a novel synthetic data generation method to develop deepfake detection model that is robust to unknown manipulations. We introduce three types of blending techniques that leverage self-blending and pair-blending, along with a novel Cutoff High Frequency (CHF) augmentation that removes high frequencies. We achieve an AUC of 95.08% on the FF++ dataset, even when CHF is applied alone. Using the proposed blending methods, we achieve a performance improvement of 1.85% for CDF and 5.40% for DFDC compared to the state-of-the-art approach. In addition, the average AUC of FF++, CDF, and DFDC improves by 2.29%.
We propose a novel synthetic data generation method to develop deepfake detection model that is robust to unknown manipulations. We introduce three types of blending techniques that leverage self-blending and pair-blending, along with a novel Cutoff High Frequency (CHF) augmentation that removes high frequencies. We achieve an AUC of 95.08% on the FF++ dataset, even when CHF is applied alone. Using the proposed blending methods, we achieve a performance improvement of 1.85% for CDF and 5.40% for DFDC compared to the state-of-the-art approach. In addition, the average AUC of FF++, CDF, and DFDC improves by 2.29%.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.