生成模型的频率偏差

Nov, 2021

On the Frequency Bias of Generative Models

Katja Schwarz, Yiyi Liao, Andreas Geiger

TL;DR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。

Abstract

The key objective of generative adversarial networks (GANs) is to generate new data with the same statistics as the provided training data. However, multiple recent works show that state-of-the-art architectures yet struggle to achieve this goal. In particular, they report an elevated

generative adversarial networks spectral statistics frequency bias discriminator high-frequency artifacts

发现论文，激发创造

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

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

Fre-GAN: 对抗训练的频率一致音频合成

本文提出了一种名为 “Fre-GAN” 的神经音源模型，通过分辨率连接生成器和分辨率智能的鉴别器，在多个频带中学习各种尺度的频谱分布，有效地实现高保真频率一致性音频合成，并在质量和 MOS 上优于标准模型。

Jun, 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

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

GAN 伪图像中伪造物的检测和模拟

本文提出了一个可以模拟多个流行 GAN 模型的 GAN 模拟器 AutoGAN，并基于频域的特性提出了一种分类器模型，从而即使在自主学习时无法看到目标 GAN 模型生成的假图像，也可以在检测流行 GAN 模型生成的假图像方面实现最先进的表现。

Jul, 2019

用于数据稀缺光谱应用的生成对抗网络

本文介绍了生成对抗网络在合成光谱数据方面的应用，提出了改进的 Wasserstein GANs 来避免模型崩溃，并证明了利用 CWGAN 数据增强可充分提高性能，同时显示 CWGAN 在低数据量条件下可作为简单 FFNN 的代理模型。

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