ディープフェイク検出2026/8/21arXiv:2608.20913

特徴ロバスト拡張と根拠に基づく説明最適化による説明可能なディープフェイク検出

Explainable Deepfake Detection with Feature-robust Augmentation and Evidence-grounded Explanation Optimization

画像品質低下への耐性と説明の正確性を両立するため、劣化対応の拡張と教師あり対比学習、および証拠に基づく選好最適化を導入した説明可能なディープフェイク検出フレームワークを提案した。

詳しい要約

1. どんなもの？

本論文は、Deepfake検出に説明可能性を組み込んだExplainable Deepfake Detectionのためのフレームワークを提案する。具体的には、画像品質劣化に対する頑健性と、説明の事実的正確性の2つの課題に対処する。提案手法は、Feature-robust AugmentationとEvidence-grounded Explanation Optimizationの2つの革新からなる。ACM Multimedia 2026 Explainable Deepfake Detection Challengeで1位を獲得した。

2. 先行研究と比べてどこがすごい？

既存のExplainable Deepfake Detection手法は、低品質画像に対する検出精度の低下と、説明が操作痕跡を省略したり無関係な詳細を幻覚したりする問題があった。本提案は、劣化を考慮した多様なaugmentation戦略と、mean-teacher architectureによるconsistency constraintsで特徴を安定化させ、さらにchosen-rejectedペアを用いたpreference optimizationで説明の事実的根拠を優先させる点が新しい。

3. 技術・手法の肝は？

手法の核は2つ。(1) Feature-robust Augmentation: 多様な劣化を考慮したaugmentation戦略と、supervised contrastive learningを組み合わせ、mean-teacher architectureによりaugmentation間のconsistencyを保ち特徴ドリフトを防ぐ。(2) Evidence-grounded Explanation Optimization: 操作痕跡の省略や無関係情報の注入で作成したrejectedサンプルと、正しい説明のchosenサンプルを用いて、モデルが真の操作痕跡を優先するようにpreference optimizationで学習する。

4. どうやって有効だと検証した？

ACM Multimedia 2026 Explainable Deepfake Detection Challengeで1位を獲得したことで有効性が検証された。具体的な評価指標やデータセットの詳細は要旨からは不明。

5. 議論はある？

要旨からは、提案手法が低品質画像に対する頑健性と説明の正確性を向上させる一方で、augmentationの多様性と性能のトレードオフや、preference optimizationの汎用性などに関する議論は不明。また、実世界の多様なDeepfake生成手法への適用可能性や、計算コストについても言及がない。

6. 次に読むべき論文は？

要旨で参照されている研究は明示されていないが、関連分野としてExplainable Deepfake Detectionの既存研究、Feature-robust Augmentationに関連するcontrastive learningやmean-teacher architectureの論文、preference optimizationに関連するRLHFやDPOの論文が挙げられる。具体的には、Deepfake Detectionのベースラインや、Explainable AIの手法を読むと良い。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Zhu Xu, Jiaqi Tang, Pokai Chen, Yuxin Peng, Yang Liu

分類: cs.CV, cs.AI

原文アブストラクト

Explainable deepfake detection extends binary classification by requiring models to not only predict authenticity but also provide interpretable justifications. This expanded scope is critical in practice, where users like forensic analysts need insight into the rationale behind the detection. Despite advancements, current approaches suffer from two critical deficiencies: (1)vulnerability to image quality degradation: detection accuracy plummets on low-quality samples, while naive augmentation strategies may induce feature drift and impair performance as diversity expands. (2) factually flawed explanations: explanation models may omit manipulation evidence or hallucinate irrelevant details, undermining interpretability. To address it, we propose a framework with two innovations. For robust deepfake detection, we introduce Feature-robust Augmentation, which comprises diversified degradation-aware augmentation strategies, and a supervised contrastive learning pattern paired with a mean-teacher architecture that stabilizes features against augmentations through consistency constraints. For explanation, we devise an evidence-grounded preference optimization process that guides model to prioritize genuine manipulation traces by learning from chosen-rejected explanation pairs, where rejected samples are constructed via evidence omission or irrelevant information injection. The proposed approach wins the first place in ACM Multimedia 2026 Explainable Deepfake Detection Challenge.The code is available at https://github.com/oceanflowlab/EDD.git.

arXivで原文を読む →arXiv概要ページ