ICMLAug, 2020

T-GD: 可转移的 GAN 生成图像检测框架

PDF
TL;DR本文提出了一种名为 T-GD 的转移性 GAN 图像检测框架，它包括一个教师模型和一个学生模型，通过迭代地相互训练和评估来提高检测性能，着重于提高 GAN 图像检测的可转移性和迁移学习能力，可以在没有元数据信息的情况下，通过很少的数据就能够有效地检测最新的 GAN 图像。
generative adversarial networksgan-generated imagesdetectiont-gdtransfer learning
发现论文，激发创造
  • X-Transfer: 基于迁移学习的鲁棒 GAN 生成假图像检测框架

    本文介绍了一种名为 X-Transfer 的 GAN 生成图像检测算法，该模型通过使用两个采用交替并行梯度传输的兄弟神经网络来增强迁移学习，并有效缓解了过度知识遗忘的问题。此外，我们结合了 AUC 损失项和交叉熵损失，全面提升了模型的性能。通过在多个面部图像数据集上进行全面实验，结果表明我们的模型优于一般的迁移方法，最高准确率达到了 99.04%，提升了约 10%。此外，我们在非面部数据集上展示了出色的性能，验证了其广泛应用前景。

    Oct, 2023

  • 图像和视频对象检测的可传递对抗性攻击

    本研究提出了一种基于生成对抗网络（GAN）框架的方法，通过联合训练高级别类别损失和低级别特征损失，获得生成对抗图像和视频，并成功解决了对目标检测模型的对抗攻击中存在的二合一问题：低的迁移能力和高的计算成本。

    Nov, 2018

  • 生成对抗网络压缩的可移植图像翻译模型

    提出一种基于知识蒸馏和对抗学习的方法，通过设计更加轻量化的学生生成器和判别器，来实现在移动设备上学习图像生成模型的目标，并在基准数据集上取得了较强的性能表现。

    Mar, 2020

  • GenDet：面向 AI 生成的图像检测的良好泛化能力

    该论文提出了一种针对未知生成器的异常检测视角下的对抗式师生差异感知框架，通过采用对抗学习训练特征增强器，促使真实图像与教师模型之间的输出差异较小，而假图像的输出差异较大，从而解决了未知生成器检测问题。实验结果在公共基准测试中达到了最先进水平，可视化结果显示在面对各种类型的生成器时仍能保持较大的输出差异。

    Dec, 2023

  • 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

  • 利用预训练的 GAN 生成有限数据

    本研究利用预训练的大规模 GAN 模型在有限数据情境下实现了对感知明显目标领域的图像生成，提出了自适应滤波器调制（AdaFM）的方法，证明了此技术在限制数据生成方面的有效性。

    Feb, 2020

  • 基于 GAN 的图像物体检测方法：针对不同质量图像的优化

    本研究提出了一种基于生成对抗网络的目标检测框架（GAN-DO），可用于生成具有鲁棒性的特征以提高图像质量较差情况下的目标检测精度，不增加模型复杂度或推理速度，能通用于各种深度神经网络结构，并在常用数据集上实现了较高的检测准确性。

    Dec, 2019

  • 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

  • GE-AdvGAN：基于梯度编辑的对抗生成模型改进对抗样本的可传递性

    通过优化生成器参数的训练过程并引入梯度编辑机制，GE-AdvGAN 算法能够生成高度可迁移的对抗样本并在执行时间上与现有方法相比保持最小化。

    Jan, 2024

  • 使用 GAN 进行医学图像翻译的 MedGAN

    本文提出了一种名为 MedGAN 的新框架，利用对抗生成网络（GANs）的方法对医学影像进行图像翻译，以此来实现 PET-CT 图像转换，矫正磁共振运动伪影和 PET 图像去噪等不同任务，感知分析和定量评估结果表明，MedGAN 比其他现有的翻译方法表现更优秀。

    Jun, 2018