通过学习发现伪影的自监督特征学习

CVPRJun, 2018

通过学习发现伪影的自监督特征学习

Self-Supervised Feature Learning by Learning to Spot Artifacts

Simon Jenni, Paolo Favaro

TL;DR本文提出了一种基于对抗训练的自监督学习方法，旨在通过生成带有合成人工干扰的图片来训练鉴别器网络，进而提取其中间层次的特征用于其他数据领域和任务的迁移学习。实验表明，本方法能够显著提高图片生成和判别的性能表现。

Abstract

We introduce a novel self-supervised learning method based on adversarial training. Our objective is to train a discriminator network to distinguish real images from images with synthetic artifacts, and then to extract features from its intermediate layers that can be transferred to ot

self-supervised learning adversarial training transfer learning autoencoder image generation

发现论文，激发创造

自我监督表示学习用于对抗性攻击检测

本文提出了一种自我监督表示学习框架用于对抗攻击检测任务，解决了以往依赖大量标记数据并且在新领域中性能下降明显的问题。

Jul, 2024

GAN 伪图像中伪造物的检测和模拟

本文提出了一个可以模拟多个流行 GAN 模型的 GAN 模拟器 AutoGAN，并基于频域的特性提出了一种分类器模型，从而即使在自主学习时无法看到目标 GAN 模型生成的假图像，也可以在检测流行 GAN 模型生成的假图像方面实现最先进的表现。

Jul, 2019

自监督图转换器用于深度伪造检测

该研究介绍了一种深假检测框架，利用自监督预训练模型提供出色的泛化能力，能够应对常见的扭曲并解释模型的决策，实验证明该框架的有效性超过当前最先进方法。

Jul, 2023

使用对抗自编码器实现图像中的稳健异常检测

研究了一种基于自编码器的图像异常检测方法，发现传统方法在训练时存在离群点时导致异常检测性能降低的问题，使用对抗自编码器引入先验分布可以较好地克服该问题。

Jan, 2019

让真实图像作为判断者，发现由生成模型合成的假图像

通过学习真实图像的自然特征，利用监督对比学习的方法，我们的研究提出了一种探测器，针对虚假图像中的伪像纹理的变化进行检测，并在广泛的实验证明了其在未知伪造技术的泛化和对不同变换的鲁棒性方面的显著优势。

Mar, 2024

结合特征和实例归因来检测伪影

本文提出了一种新的训练特征归因方法，通过结合显著性图和实例归因方法，可以有效地发现训练数据中的人工瑕疵，并在实验中取得了良好的结果。

Jul, 2021

通过自监督特征学习重新审视图像美学评估

本文通过自监督特征学习的视角重新探讨了图像审美评估问题，并针对编辑操作设计了两个新颖的预训练任务，实现了从图像中提取审美感知特征。在三个基准数据集上进行的实验表明，该方法能够有效地提取特征并且超越了其他预训练模式，并达到了使用 ImageNet 1000 万标签的监督方法的可比较结果。

Nov, 2019

使用 Skip 连接在 Stain-shaped 噪声污染的图像上训练自编码器以提高异常检测

本文研究工业视觉中基于自编码器网络的异常检测问题，通过引入 skip 连接的自编码器结构并使用一种新的 Stain 噪声模型，使网络能从有缺陷的图像中重建出干净图像，实现像素级或者图像级的异常检测。

Aug, 2020

图像压缩伪影减少的敏感度解耦学习

通过深度学习技术，本研究改进了图像压缩伪影降低方法，并提出了一种双重感知引导网络（DAGN），通过解耦图像的内在属性为伪影降低提供双重补充特征，并实现了较高的性能和效率。

May, 2024

通过分解表示进行自监督的对抗样本检测

该论文提出了一种名为 DRR 的新方法，它使用自编码器结构进行对抗性样本检测，并采用解缠表示来减少不必要的自编码器泛化能力，能够在视觉任务和自然语言任务中提供抗适应性对抗性攻击，并在各种度量标准下表现出更好的性能。

May, 2021