Dec, 2018
利用颜色线索检测 GAN 生成的图像
Detecting GAN-generated Imagery using Color Cues
Scott McCloskey, Michael Albright
TL;DR分析了一种广泛应用的生成式对抗网络(GANs)的结构,证明其颜色处理方式与实际相机明显不同,进而利用这两种区别可以有效区分 GAN 图像与相机图像。
Abstract
image forensics is an increasingly relevant problem, as it can potentially
address online disinformation campaigns and mitigate problematic aspects of
social media. Of particular interest, given its recent successes, is the
detection of imagery produced by →
发现论文,激发创造
使用色彩分量差异识别深度神经网络生成的图像
本文提出了一种基于色彩分量的特征集,用于识别通过生成对抗网络等深度网络生成的假图像,并进行了大量实验,表明该方法可以准确识别这些假图像,并在训练和测试数据不匹配时表现优于现有方法。
Aug, 2018
基于交叉带协同分析的 CNN 检测 GAN 生成的人脸图像
本文提出了一种利用交叉波段共生矩阵的方法来区分生成的合成图像和自然图像,用于生成合成脸部图像的真伪检验。该检测方法在光谱波段不一致性的基础上,在空间共同出现矩阵之外利用交叉频带共生矩阵,并利用 CNN 模型来训练识别真实和合成面部图像。实验表明,该方法对克服几何变换、过滤和对比度处理等后处理的鲁棒性优于其他基于波段内空间共同出现矩阵的检测技术。
Jul, 2020
GAN 生成的面孔检测:综述和新视角
通过分析当前 GAN 人脸检测的研究方向和方法,本文对深度学习、物理学、生理学以及与人类视觉性能的评估和比较等方法进行了分类,总结出不同类别的关键思路并与其具体实现相联系,讨论了存在的问题并提出了未来研究方向。
Feb, 2022
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