- …
- …
#77
summarized by : 岡本大和（LINE Computer Vision Lab）
どんな論文か？
既存のFake検出手法は、trainとtestが同じデータセットを元にしている場合にしかうまく動作しないと主張。
目標はFake Detectionを汎化すること。trainに含まれないようなFakeサンプル（≒異なるドメインのサンプル）で性能達成を目指したい。
論文の基本アイデアは「汎化されたモデルは偽造typeを区別できるはず」で、Real/Fake判定に加えて偽造type推論をさせる。
新規性
ランダム生成したconfigに基づいて2枚の顔画像をブレンドしたFake-Imageを生成して、Discriminatorにreal/fake判定やconfig内容推論をさせる。
configでは、目や鼻といった合成エリア、alphaやpoissonといったblend手法を指定する。
合成画像は、2枚の顔画像を位置合わせをしてblendして生成。（ニューラルネットで生成しているわけではない）
結果
DF、F2F、FS、NTといったFake--image-Datasetから、異なるペアを選択してtrainとtestにした。
提案手法では、同じデータセット（例：DF-train、DF-test）では従来手法に劣ることもあったが、データセットの組み合わせが異なる場合は提案手法がほとんどSoTAを達成
その他（なぜ通ったか？等）
学習データセットが複数パターンの組み合わせの場合にはどうなるのか気になった。
例えば、DF、F2F、FSをtrainとして、NTをtestとした場合に、従来手法と提案手法で差が出るのか？
- …
- …