Audio-Visual Deepfake Detection With Local Temporal Inconsistencies

要約

このペーパーでは、オーディオと視覚モダリティの間のきめの細かい時間的矛盾をキャプチャすることを目的とした、視聴覚ディープファーク検出アプローチを提案します。
これを達成するために、建築とデータの統合戦略の両方が導入されます。
アーキテクチャの観点から、注意メカニズムと組み合わせた時間的距離マップは、これらの矛盾をキャプチャしながら、無関係な時間的サブシーケンスの影響を最小限に抑えるように設計されています。
さらに、局所的な矛盾を統合するための新しい疑似フェイク生成技術を探ります。
私たちのアプローチは、DFDCとFakeavcelebデータセットを使用して最先端の方法に対して評価され、オーディオビジュアルディープフェイクの検出におけるその有効性を示しています。

要約(オリジナル)

This paper proposes an audio-visual deepfake detection approach that aims to capture fine-grained temporal inconsistencies between audio and visual modalities. To achieve this, both architectural and data synthesis strategies are introduced. From an architectural perspective, a temporal distance map, coupled with an attention mechanism, is designed to capture these inconsistencies while minimizing the impact of irrelevant temporal subsequences. Moreover, we explore novel pseudo-fake generation techniques to synthesize local inconsistencies. Our approach is evaluated against state-of-the-art methods using the DFDC and FakeAVCeleb datasets, demonstrating its effectiveness in detecting audio-visual deepfakes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google