May, 2021

面向开放世界GAN生成图像的发现和归因

HTML
PDF
TL;DR通过训练网络、识别不在分布范围内的图像、聚类、合并及优化等多个步骤，我们提出了一种迭代算法，可以高准确率发现来自以前未见过的 Generative Adversarial Networks (GANs) 的图像，同时，该算法在识别真实数据集上的 GAN 时也具有泛化能力，并可应用于在线发现和真假检测。
发现论文，激发创造
  • 将伪造图像归因于GANs：学习和分析GAN指纹

    本研究首次学习GAN指纹以进行图像归属，并使用它们将图像分类为真实或GAN生成。实验表明，GAN生成的图像具有稳定的指纹，指纹细调有效防御五种类型的对抗性图像扰动，并且得出结论指出我们学习到的指纹在各种设置中一致优于几个基线。

    Nov, 2018

  • 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

  • GANs是否留下人工指纹？

    通过实验证明生成对抗网络在生成图像时会在其中植入其特有的指纹，因此这些指纹可以用于多媒体的安全防范和取证分析。

    Dec, 2018

  • GAN图像取证的泛化研究

    本文研究使用预处理图像训练一种法医卷积神经网络模型，以提高对生成对抗网络图像的泛化能力，并证明所提出的方法的有效性。

    Feb, 2019

  • 利用共现矩阵检测生成对抗网络生成的假图片

    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％。

    Mar, 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

  • 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

  • RepMix: 用于合成图像的鲁棒归属度表示混合技术

    本研究提出了一种基于GAN指纹技术的解决方案，名为RepMix，具备追溯GAN生成的图像来源、能够匹配不同的图像且抗干扰变换，并在semantic归纳和稳健性方面明显优于现有的GAN指纹技术。

    Jul, 2022

  • 生成对抗网络 (GANs) 的十年：最新技术综述

    生成对抗网络（GANs）是在多个领域中生成逼真、多样化数据的强大工具。本研究综述了GANs的潜在架构、验证指标和应用领域，并探讨了GAN与Jensen-Shannon散度之间的深刻联系以及GAN框架的最优性特征。对GAN变体的效率、模型架构以及训练障碍和解决方案进行了评估，并详细讨论了GAN与Transformer、物理信息神经网络、大型语言模型和扩散模型等新开发的深度学习框架的整合。最后，揭示了该领域的若干问题和未来研究方向。

    Aug, 2023

  • 通过检测器网络在GAN中识别黑盒训练数据

    使用生成对抗网络黑盒设置进行成员推断攻击，探究其对隐私的影响，并发现攻击成功率较其他生成模型和判别模型要低，这呈现出GAN是否确实更为私密的有趣问题。

    Oct, 2023