CVPRMar, 2021

卷积神经网络生成的图像傅里叶频谱差异检测

PDF
TL;DR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。
cnn-based generative modellinghigh frequency spectral decaydcganlsganwgan-gp
发现论文，激发创造
  • 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

  • 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

  • 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

  • 观察上采样卷积：基于 CNN 的生成深度神经网络未能复现谱分布

    本文提出了一种新的谱规范化项，以解决当前生成模型中存在的谱分布偏差问题，该方法可以提高模型的稳定性和输出质量，并可以检测出深度伪造的图片等生成数据。

    Mar, 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

  • 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

  • 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

  • SSD-GAN: 空间和频谱域中真实度的度量

    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。

    Dec, 2020

  • 生成模型在频域的指纹

    通过在频域解释网络组件，我们发现了生成模型频率分布和网格状模式不一致问题的来源。利用这些发现，我们开发了低成本的合成模型，能够生成模拟真实生成模型中观察到的频率模式的图像。这些模式的指纹提取器在合成数据上进行预训练后，在验证、识别和分析如 GAN、VAE、Flow 和扩散等真实基于 CNN 的生成模型的关系方面展现出优越的迁移能力。

    Jul, 2023

  • 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