表層的なアーティファクトを超えて：モダリティをまたぐ潜在フォージェリ知識の共有を捉える

arXiv cs.CV / 2026/4/10

📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、マルチモーダル・ディープフェイク検出が一般化のボトルネックに直面していると主張する。既存手法は共有される潜在的なフォージェリの手掛かりよりも、表層的でモダリティ固有のアーティファクトに過適合してしまうためである。
モダリティ非依存のフォージェリ（MAF）検出フレームワークを提案し、モダリティ固有のスタイルを切り離すことで、本質的なクロスモーダルな潜在フォージェリ知識を抽出する。
本研究では、異なるレベルの一般化を測定するために、Weak MAF（意味的に関連するモダリティへの転移可能性）とStrong MAF（孤立した「ダーク・モダリティ」に対する頑健性）を導入する。
これらの限界を評価するために、DeepModal-Benchベンチマークを提示する。複数のマルチモーダル・フォージェリ検出アルゴリズムを集約し、さらに一般化学習アプローチを組み込む。
著者らは、MAFフレームワークによって見えないモダリティに対して大幅な性能向上が得られること、さらに普遍的なフォージェリ痕跡を示す実証的な証拠を報告し、それを普遍的なマルチモーダル防御への一歩として位置づけている。