ICCVMay, 2021

面向开放世界 GAN 生成图像的发现和归因

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。
generative adversarial networksvisual forensicsimage attributionout-of-distribution detectiononline detection
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

  • 广义深度伪造追溯

    我们提出了一种广义的深度伪造归因网络 (GDA-Net)，可以将伪造图像归因于相应的 GAN 架构，即使它们是从不同种子 (cross-seed) 的重新训练版本或现有 GAN 模型的微调版本生成的。与现有方法相比，对 GAN 模型的交叉种子和微调数据进行的大量实验证明了我们的方法的高效性。我们还提供了源代码来验证我们的结果。

    Jun, 2024

  • 通过反演确定源代码生成器

    本文介绍了一种解决图片或视频伪造及版权问题的方法，利用生成对抗网络的投影反演算法在白盒情况下，对合成图像进行属性归因和输入的提取。

    May, 2019

  • 深度伪造网络结构归属

    本文首次研究深度伪造网络架构归属问题，并提出了一种名为 DNA-Det 的有效解决方案，在多个交叉测试设置和大规模数据集上的广泛实验证明了其有效性。

    Feb, 2022

  • 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

  • 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

  • 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

  • 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

  • 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

  • 使用 Wasserstein GAN 进行视觉特征归因

    本文提出使用 Wasserstein Generative Adversarial Networks 解决利用神经网络分类器进行像素归因存在的限制问题，发现这种方法更优于当前最先进的视觉归因方法， 在 MCI 和 AD 患者的 3D 神经影像数据中产生非常逼真的疾病效应图。

    Nov, 2017