AAAIDec, 2020

SSD-GAN: 空间和频谱域中真实度的度量

PDF
TL;DR本文提出了一种名为 SSD-GAN 的 GAN 算法增强版，加入了一个基于频率感知的分类器来测量输入图像在空间和频谱领域内的真实性，并采用增强版的辨别器来激励生成器生成真实数据高频内容和精确细节。该方法易于集成并验证其有效性。
ganssd-ganspectral information lossdiscriminatorfrequency-aware classifier
发现论文，激发创造
  • 光谱分布感知图像生成

    本文提出使用谱鉴别器按照真实数据的频率分布生成图像，以解决当前深度生成模型中图像易被识别的问题。谱鉴别器具有轻量、模块化等特点，可以有效改进生成图片的频谱，提升模型性能。

    Dec, 2020

  • 生成模型的频率偏差

    该研究通过对生成对抗网络的结构进行分析，提出了一些关于频率偏差和高频伪影的新发现，并尝试分析了一些现有的提高生成质量的方法，但没有实现完美的改进。最后，该研究建议，提升鉴别器的质量将是解决频率伪影问题的关键。

    Nov, 2021

  • 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

  • 深度网络生成的图像中的傅里叶频谱偏差

    通过对高频傅里叶模式的分析，我们提出了一种基于图像频谱的检测方法，能够在 5000 张图像的数据集上实现高达 99.2% 的准确分类，并建议一种修改高频属性的方法以模拟真实图像。

    Nov, 2019

  • 卷积生成对抗网络中的空间频率偏差

    本文主要研究如何解决基于 Generative Adversarial Networks 的图像生成模型在高频处表现不佳的问题，为解决此问题，提出一种仅需少量计算资源的方法来调整模型对数据的关注点，增强模型的灵活性。

    Oct, 2020

  • 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

  • 光谱判别器对感知质量改善的有效性研究

    通过比较频谱鉴别器和空间鉴别器在高频和低频范围内的表现差异，我们建议同时使用频谱和空间鉴别器，并通过 Transformer 计算补丁的傅立叶谱并聚合谱来改进频谱鉴别器的效果。添加频谱鉴别器使得我们得到的超分辨率图像其频谱更接近真实图像，从而在感知细节和图像质量之间达到更好的平衡；集成鉴别器更准确地预测感知质量。

    Jul, 2023

  • 卷积神经网络生成的图像傅里叶频谱差异检测

    通过 DCGAN、LSGAN、WGAN-GP 和 StarGAN 等实验，我们证明了 CNN 生成图像中的高频谱衰减特征并非根本性缺陷，可以通过微小结构调整避免。同时，我们成功绕过了最近提出的利用高频谱衰减属性进行 CNN 生成图像检测的技术。这些结果表明，高频谱衰减属性并非鲁棒性特征且无法用于 CNN 生成图像检测，这需要重新思考。

    Mar, 2021

  • 频率感知深度假冒检测：通过频率空间学习改善泛化能力

    通过频域学习提高深伪造图像检测器的泛化性能，包括使用频率级别的伪造检测方法和一个特定设计的频域学习模块，实现了先进的性能 (+9.8%)，并且所需参数更少。

    Mar, 2024

  • 关于具有谱控制的 GAN 的计算和泛化

    通过引入新的重新参数化方法和对权重矩阵的光谱进行控制，使生成对抗网络在图像生成方面取得了更好的表现。

    Dec, 2018