GANs 是否留下人工指纹?
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
我们通过嵌入人工指纹到生成对抗网络的训练数据中,展示了指纹从训练数据中转移到生成模型的惊人传递性,并证明此解决方案对多种诸如深度伪造检测和归属等任务都有效,且鲁棒性强。
Jul, 2020
本研究提出了一种基于 GAN 的机器学习框架,能够通过先前训练的先验分布来生成指纹图像。在 loss 函数中添加合适的正则化项以实现指纹图像的连通性,在两个流行的指纹数据库中进行实验,结果表明模型能够生成非常逼真且类似于样本的指纹图像,并且具有良好的分布不同性。该模型的 FID 分数也能够取得良好的量化表现。
Dec, 2018
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
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
我们提出了一种名为 GanFinger 的网络指纹方法,通过基于网络行为的网络输出对的原始示例和可转让的对抗示例来构建网络指纹,并利用生成对抗网络(GANs)有效生成具有察觉不到的扰动的可转让的对抗示例,从而在版权和盗版网络上产生相同的输出而在无关网络上产生不同的结果。对 GanFinger 的性能评估表明,在效率、隐蔽性和可辨识性方面都显著优于现有技术,其中指纹生成速度提高了 6.57 倍,ARUC 值提升了 0.175,相对改进约为 26%。
Dec, 2023
本研究提出了一种基于生成对抗网络(GAN)生成自然指纹的方案,并在决策差异区域而不是决策边界上嵌入这些指纹以提高鲁棒性。实验证明该方案在四种不同的模型攻击测试中表现出色,超过 MetaV 的最优基准线约 17%。
May, 2023
该研究旨在针对利用深度学习工具生成人脸的 Deepfake 现象,提出新的检测方法。提出的该算法基于期望最大化算法,提取了一组特定的局部特征来建模卷积生成过程,经实验验证有效地区分了不同的架构和相应的生成过程。
Apr, 2020
通过训练网络、识别不在分布范围内的图像、聚类、合并及优化等多个步骤,我们提出了一种迭代算法,可以高准确率发现来自以前未见过的 Generative Adversarial Networks (GANs) 的图像,同时,该算法在识别真实数据集上的 GAN 时也具有泛化能力,并可应用于在线发现和真假检测。
May, 2021