通向通用 GAN 图像检测
本研究旨在验证通过预处理和数据增强,一个经典 CNN 生成器(ProGAN)训练出的图像分类器可以很好地适应不同的 CNN 生成器体系结构,数据集和训练方法,并发现了 CNN-generated images 的一些共同系统缺陷。
Dec, 2019
提出了一种基于多视图图像完成表示的鲁棒检测框架,该框架学习各种视图到图像任务来建模真实图像的不同分布,从而稳健和可靠地检测未知的伪造图案,并且针对各种干扰攻击具有鲁棒性。
Jun, 2023
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
该研究通过提出基于 U-Net 鉴别器的架构以及基于 CutMix 数据增广的像素一致性规则技术提高了生成对抗网络的合成图像的全局和局部连贯性,并在标准分布和图像质量指标方面优于已有研究成果,与 BigGAN 基线相比,能够在 FFHQ、CelebA 和新引入的 COCO-Animals 数据集上实现平均 2.7 FID 分数的提升。
Feb, 2020
通过学习真实图像的自然特征,利用监督对比学习的方法,我们的研究提出了一种探测器,针对虚假图像中的伪像纹理的变化进行检测,并在广泛的实验证明了其在未知伪造技术的泛化和对不同变换的鲁棒性方面的显著优势。
Mar, 2024
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
本研究提出了一个名为 DeepFD 的深度伪造鉴别器,采用对比损失的方法来检测由不同 GAN 生成的计算机生成图像,实验结果表明,DeepFD 可以有效地检测到几种最新的 GAN 生成的 94.7% 假图像。
Sep, 2018
本文提出了一种基于注意力机制和单个样本聚类方法的新方法 FakeLocator,旨在通过在 GAN 合成图像中检测伪造和定位伪造来解决众所周知的伪造定位问题,同时实现高定位精度和普适性
Jan, 2020
本研究针对深度生成模型如变分自编码器和生成对抗网络在高复杂度图片样本表现的不足,提出一种图像自适应的修复方案,增强复原的表达能力。在图像超分辨率和压缩感知方面进行了实证表明其优势。
Jun, 2019