Jan, 2019

关于检测基于 GAN 及修整技术的合成变化

PDF
TL;DR本文提出了使用卷积神经网络的监督深度学习算法来检测人工合成图像，并在 ND-IIITD 数据集上获得了 99.65％的准确度，对于区分真实图像和使用生成对抗网络（GANs）生成的图像的准确度达到了 99.83％。
digitally retouching imagesgenerative adversarial networksface recognition algorithmssupervised deep learning algorithmconvolutional neural networks
发现论文，激发创造
  • 通过多个 CNN 的正交训练检测 GAN 生成的图像

    本文提出了一种基于卷积神经网络集成的合成图像检测器，利用两个主要思想解决检测新的图像生成器的常见情况，结果表明这种方法提高了在 NVIDIA 的新生成 StyleGAN3 图像上的检测准确性。

    Mar, 2022

  • 增量学习用于 GAN 生成图像的检测与分类

    该研究探讨了在计算机视觉和深度学习领域中，对抗生成网络（GAN）所生成的图像识别与分类中的持续性学习问题，并提出了一种基于增量学习的方法来解决这个问题。通过实验和数据集，该方法的正确性得到了验证。

    Oct, 2019

  • 远程感知图像中的数据增强和适应的条件生成对抗网络

    使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

    Aug, 2019

  • 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

  • 迈向 AI 合成人脸图像的检测

    通过建立一个综合基准测试来评估最先进的检测器的泛化能力和鲁棒性，然后通过频域分析伪造痕迹来得出各种见解，并进一步证明使用频率表示训练的检测器可以很好地泛化到其他未见的生成模型。

    Feb, 2024

  • 生成逼真的训练数据以提高人脸识别准确性

    本文研究使用合成数据来增强面部数据集的可行性。我们提出了一种新颖的生成对抗网络（GAN），可以将相关身份属性与非相关身份属性区分开来。我们的 GAN 能够生成数据增强的合成图像，并且该模型可以提高面部识别模型的准确率。

    Oct, 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

  • 基于条件生成对抗网络的人脸老化

    本文提出了一种基于生成对抗网络 (GAN) 的自动面部老化方法，强调在改变面部属性的同时，保留原始人物身份。通过新颖的 GAN 潜在向量的 “身份保持” 优化方法，通过现有的面部识别和年龄估计解决方案，对所得到的老化和回复面部图像进行客观评价，证明了所提方法的高潜力。

    Feb, 2017

  • 利用机器学习识别人工智能生成的合成图像

    利用机器学习技术来区分 AI 生成的合成图像和真实图像，通过优化深度学习模型和对比实验结果表明，深度学习模型可以更准确地识别合成图像，进一步推动数字媒体可信度及 AI 生成内容的伦理和技术探索。

    Jan, 2024

  • 利用基于 GAN 的合成医学图像增强技术提高 CNN 在肝脏病变分类中的性能

    使用生成对抗网络合成医学图像，然后将其用于合成数据增强以提高卷积神经网络在医学图像分类中的性能。

    Mar, 2018