Mar, 2019

利用共现矩阵检测生成对抗网络生成的假图片

PDF
TL;DR本文提出了一种新的方法来检测使用生成对抗网络生成的假图像，采用共生矩阵和深度学习的组合进行训练，结果表明在两个大型数据集上的分类准确度均超过 99％。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 利用颜色线索检测 GAN 生成的图像

    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。

    Dec, 2018

  • 通过分析卷积痕迹进行 DeepFake 检测

    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

  • 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

  • 探讨生成对抗网络产生的面部图像频谱的异步性

    本文提出了一种基于异步频率谱的方法，对生成对抗网络（GAN）的合成图像进行识别和检测，并在不同领域之间进行了验证。

    Dec, 2021

  • CNN 生成的图像现在还很容易被辨认出来

    本研究旨在验证通过预处理和数据增强，一个经典 CNN 生成器（ProGAN）训练出的图像分类器可以很好地适应不同的 CNN 生成器体系结构，数据集和训练方法，并发现了 CNN-generated images 的一些共同系统缺陷。

    Dec, 2019

  • 全局纹理增强技术用于野外人脸假冒检测

    本文探讨了虚假人脸图像的检测问题，并提出了一种名为 Gram-Net 的新架构，它利用全局图像纹理表示进行鲁棒的虚假图像检测。经过多组实验验证，Gram-Net 的效果明显优于现有方法，在检测虚假人脸方面表现出非常好的鲁棒性与泛化能力。

    Feb, 2020