ディープフェイク検出2026/10/1arXiv:2610.01544

汎化可能なディープフェイク検出のためのクロス再構成の再検討

Revisiting Cross-Reconstruction for Generalizable Deepfake Detection

異なる生成器間のアーティファクトの多様性を保ちながら意味的に整合したクロス再構成を行い、周波数マスク再構成で操作痕跡を強調するディープフェイク検出手法を提案。

詳しい要約

1. どんなもの？

- 画像偽造検出の一般化を目的とした研究。 - 既存のcross-reconstructionベース手法を見直し、artifact-oriented disentanglement frameworkを提案。 - artifact diversityを活用し、未知の操作手法への汎化を目指す。

2. 先行研究と比べてどこがすごい？

- 従来のcross-reconstructionはgenerator間でartifactを整列し、再構成時にartifact表現を除外。 - 本手法はartifact diversityを補完的なforensic cueと捉え、明示的な整列を行わない。 - 意味的に整列したcross-generator reconstructionで多様なartifact特性を保持。

3. 技術・手法の肝は？

- 意味的に整列したcross-generator reconstructionにより多様なartifact特性を保持。 - artifact表現を再構成過程に組み込み、masked frequency-aware reconstruction strategyを導入。 - 操作関連の残差を強調し、意味的干渉を低減。

4. どうやって有効だと検証した？

- 複数のbenchmark datasetでcross-datasetおよびcross-generator評価を実施。 - 性能向上を確認。 - さらなる分析とablation studyでartifact diversity preservationとartifact-aware cross-reconstructionの有効性を検証。

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- cross-reconstruction based methods（具体的な論文名は要旨に記載なし）。 - 同分野の定番としてdeepfake detectionの一般化に関する研究（例: FaceForensics++, DFDCなど）が挙げられる。

※ 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: Bingjian Yang, Shilei Zhao, Zheng Wang

分類: cs.CV

原文アブストラクト

Existing image forgery detectors often suffer from generalization to unseen manipulation methods due to the limited ability to capture transferable forensic cues. Recent cross-reconstruction based methods attempt to improve generalization through semantic-artifact disentanglement, but typically align heterogeneous artifacts across generators and exclude artifact representations during reconstruction, which may overlook the inherent diversity and visual cues of manipulation artifacts. In this work, we revisit cross-reconstruction and introduce an artifact-oriented disentanglement framework for robust image forgery detection. We argue that \textbf{artifact diversity}, i.e., the intrinsic variations of manipulation artifacts introduced by different generation processes, contains complementary forensic cues rather than undesirable domain variations. Instead of enforcing explicit artifact alignment, our framework preserves diverse artifact characteristics through semantically aligned cross-generator reconstruction. Furthermore, we incorporate artifact representations into the reconstruction process and introduce a masked frequency-aware reconstruction strategy to emphasize manipulation-related residuals while reducing semantic interference. This design enables the model to learn transferable forensic representations from diverse artifacts. Extensive experiments on multiple benchmark datasets demonstrate improvements under both cross-dataset and cross-generator evaluation settings. Further analysis and ablation studies validate the effectiveness of artifact diversity preservation and artifact-aware cross-reconstruction.

arXivで原文を読む →arXiv概要ページ

汎化可能なディープフェイク検出のためのクロス再構成の再検討

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文