深偽造異常検知のためのスペクトル・空間表現学習によるデュアルドメイン自己教師あり特徴アライメント
Dual-domain self-supervised feature alignment via spectral–spatial representation learning for deepfake anomaly detection
深偽造(ディープフェイク)の異常検知において、既存手法は大量の教師ありアノテーションに依存し、空間領域と周波数領域の両方にまたがる微妙な操作痕跡を捉えるのが難しいという課題があった。これに対し、教師なしで空間およびスペクトル表現を共同学習する自己教師ありデュアルドメインアライメント(SDDA)フレームワークが提案された。SDDAは、RGB画像とその周波数ドメイン対応物から相補的な特徴を抽出する2つのパラメータ共有エンコーダを使用し、クロスドメインアライメントモジュールが空間テクスチャとスペクトル署名の間の整合性を強制する。さらに、FAN特徴マップから導出される4つの補完的記述子(LSD、GPD、LRD、TCD)を用いて、偽サンプルなしで操作に敏感な表現を学習させる。デュアルドメイン対照目的は、圧縮や照明変動などの現実世界の劣化に対するロバスト性を向上させつつ、微妙な偽造関連異常の識別を強化する。実験の結果、SDDAは特に未知の操作シナリオにおいて、最先端のベースラインを上回る性能を示した。このフレームワークは、解釈可能でラベル効率の良いデュアルドメイン深偽造異常検知ソリューションを提供する。
- 深偽造異常検知向けに、教師なしで空間・スペクトル表現を共同学習する自己教師ありデュアルドメインアライメント(SDDA)フレームワークが提案された。
- RGB画像と周波数ドメイン対応物から相補的特徴を抽出する2つのパラメータ共有エンコーダを採用し、クロスドメインアライメントで空間テクスチャとスペクトル署名の整合性を強制する。
- FAN特徴マップから導出する4つの記述子(LSD、GPD、LRD、TCD)により、偽サンプルを用いずに操作に敏感な表現を学習する。
- 実験では未知の操作シナリオを含め、最先端ベースラインを上回る性能が確認されたと報告されている。
ディープフェイク検知はAI生成コンテンツの普及に伴い需要が拡大する領域で、本件は教師なし・ラベル効率型の検知フレームワーク(SDDA)の研究成果。学習コストとアノテーション依存を削減しつつ未知の操作シナリオにも頑健と主張しており、コンテンツ真正性・本人確認・メディア検証を手掛けるセキュリティ/AI企業の技術優位性を測る材料になる。ただし現時点では論文段階の提案であり、商用製品・導入実績・性能数値の開示がないため、直接の投資対象としては追加検証が必要。