A.I.AI
線形計算量を持つMamba Vision Transformerを活用した最適化音声・映像ディープフェイク検出フレームワーク
An Optimized Audio–Visual Deepfake Detection Framework Using Mamba Vision Transformers with Linear Complexity
MSSensors · MDPI · CC BY 4.0
AIが原文を翻訳・要約しています
従来のディープフェイク検出における二次計算量O(n^2)やデータセット間での精度低下といった課題に対し、Mamba Vision Transformerを活用して線形計算量O(n)を実現した検出フレームワーク「Mamba-AVGuard」が発表された。12層の視覚Mambaエンコーダと8層の軽量音声Mambaエンコーダを±33ミリ秒の同期精度で融合し、FakeAVCelebおよびAV-Deepfake1Mベンチマークにおいてデータセット内で99.92%、クロスデータセットで98.47%の精度を達成した。30秒の動画を1.8秒未満で処理し、最良の競合Transformer手法に比べメモリ使用量を56%削減、毎時1200本以上の動画検証スループットを可能にする。
KEY POINTS要点記事から抽出した重要情報
- 線形計算量O(n)を実現した音声・映像ディープフェイク検出フレームワーク「Mamba-AVGuard」が発表され、クロスデータセット検証で98.47%の精度を達成した。
- 30秒の動画を1.8秒未満で処理し、競合Transformer手法と比較してメモリ使用量を56%削減しつつ毎時1200本以上の検証スループットを可能にした。
CONTEXT文脈編集部による背景整理
状態空間モデル(Mamba)の適用により、計算負荷が高かった音声・映像のマルチモーダル・ディープフェイク検出で大幅なメモリ削減と線形計算量を実現した点は重要。大規模プラットフォームにおけるリアルタイム検知の実用化コストを大きく押し下げる技術的進展として注目される。
原文を読むAnalyzed at 2026年10月10日 21:04