Jul, 2018

TequilaGAN: 如何轻松鉴别 GAN 样本

PDF
TL;DR本文介绍了基于统计分析和数据特征提取以及学习真实数据形式规范的方法来识别利用生成对抗网络生成的虚假样本，并且发现这种虚假样本有一个可用于鉴别的普遍特征，最终在 MNIST、CIFAR10、音乐和语音数据上进行了实验验证。
发现论文，激发创造
  • 训练 GAN 的改进技术

    本文中我们应用各种新的架构特点和训练流程来改进生成对抗网络（GANs）框架，并着重讨论了 GANs 的两个应用程序：半监督学习和图像生成。使用我们的技术，我们在 MNIST，CIFAR-10 和 SVHN 的半监督分类方面取得了最先进的成果，并呈现了高质量的生成的 MNIST 和 CIFAR-10 图像样本和 ImageNet 样本，呈现出 ImageNet 类可识别特征的学习过程。

    Jun, 2016

  • GANs 是否留下人工指纹？

    通过实验证明生成对抗网络在生成图像时会在其中植入其特有的指纹，因此这些指纹可以用于多媒体的安全防范和取证分析。

    Dec, 2018

  • 将伪造图像归因于 GANs：学习和分析 GAN 指纹

    本研究首次学习 GAN 指纹以进行图像归属，并使用它们将图像分类为真实或 GAN 生成。实验表明，GAN 生成的图像具有稳定的指纹，指纹细调有效防御五种类型的对抗性图像扰动，并且得出结论指出我们学习到的指纹在各种设置中一致优于几个基线。

    Nov, 2018

  • 野外假人脸图像检测学习

    本研究提出了一个名为 DeepFD 的深度伪造鉴别器，采用对比损失的方法来检测由不同 GAN 生成的计算机生成图像，实验结果表明，DeepFD 可以有效地检测到几种最新的 GAN 生成的 94.7% 假图像。

    Sep, 2018

  • 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

  • 合成图像的有趣特性：从生成对抗网络到扩散模型

    本研究通过对各种不同类型图像生成器的系统研究，探寻真实与虚假图像之间最具法医学意义的特征，发现合成图像中出现了可见的傅里叶域信号缺陷，以及自相关中出现的异常规律图案，并且当用于训练模型的数据集缺乏足够的多样性时，其偏见会转移到生成的图像中，观察了人造图像与真实图像之间较高频率信号内容的显著差异。

    Apr, 2023

  • 我的 GAN 有多强？

    本研究提出了两种基于图像分类的测量标准，GAN-train 和 GAN-test，以评估各种 GAN 方法的召回率和准确率。研究结果表明，数据集的难度与 GAN 质量呈负相关，并发现这两种度量标准可以更好地评估 GAN 的性能。

    Jul, 2018

  • 通向通用 GAN 图像检测

    提出了一种基于对比学习范式和有限子采样架构的 GAN 图像检测器，可以提供好的通用性和抗干扰能力，能在具有挑战性的条件下保证良好的泛化能力。

    Dec, 2021

  • 通过检测器网络在 GAN 中识别黑盒训练数据

    使用生成对抗网络黑盒设置进行成员推断攻击，探究其对隐私的影响，并发现攻击成功率较其他生成模型和判别模型要低，这呈现出 GAN 是否确实更为私密的有趣问题。

    Oct, 2023

  • 利用频率分析进行深度虚假图像识别

    通过对生成对抗性网络的频域进行分析，我们发现生成的 Deep fake images 在这一领域会展现出一些严重的瑕疵，通过这些瑕疵可以自动识别出 deep fake images， 超越了现有的最先进方法。

    Mar, 2020