Mar, 2022

通过多个 CNN 的正交训练检测 GAN 生成的图像

PDF
TL;DR本文提出了一种基于卷积神经网络集成的合成图像检测器，利用两个主要思想解决检测新的图像生成器的常见情况，结果表明这种方法提高了在 NVIDIA 的新生成 StyleGAN3 图像上的检测准确性。
deep learningsynthetic imagesconvolutional neural networksdetectorstylegan3
发现论文，激发创造
  • CNN 生成的图像现在还很容易被辨认出来

    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

  • 关于检测基于 GAN 及修整技术的合成变化

    本文提出了使用卷积神经网络的监督深度学习算法来检测人工合成图像，并在 ND-IIITD 数据集上获得了 99.65％的准确度，对于区分真实图像和使用生成对抗网络（GANs）生成的图像的准确度达到了 99.83％。

    Jan, 2019

  • 地理伪造图像检测的预训练卷积神经网络模型评估

    本文探讨了多个卷积神经网络架构用于识别伪造卫星图像的适用性以及通过实验评估它们对各种图像畸变的性能与鲁棒性，该研究成果有助于新方法的建立和发展。

    Oct, 2022

  • 在跨概念设置中提高合成生成图像的检测

    本文探讨了在不同概念类之间泛化的挑战，并提出了一种基于质量评估模型的质量抽样方法，通过 StyleGAN2 和 Latent Diffusion 生成的图像进行实验，结果表明采用本文提出的方法可以提高合成图像检测器的检测性能。

    Apr, 2023

  • 利用机器学习识别人工智能生成的合成图像

    利用机器学习技术来区分 AI 生成的合成图像和真实图像，通过优化深度学习模型和对比实验结果表明，深度学习模型可以更准确地识别合成图像，进一步推动数字媒体可信度及 AI 生成内容的伦理和技术探索。

    Jan, 2024

  • 合成图像的有趣特性：从生成对抗网络到扩散模型

    本研究通过对各种不同类型图像生成器的系统研究，探寻真实与虚假图像之间最具法医学意义的特征，发现合成图像中出现了可见的傅里叶域信号缺陷，以及自相关中出现的异常规律图案，并且当用于训练模型的数据集缺乏足够的多样性时，其偏见会转移到生成的图像中，观察了人造图像与真实图像之间较高频率信号内容的显著差异。

    Apr, 2023

  • 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

  • 增量学习用于 GAN 生成图像的检测与分类

    该研究探讨了在计算机视觉和深度学习领域中，对抗生成网络（GAN）所生成的图像识别与分类中的持续性学习问题，并提出了一种基于增量学习的方法来解决这个问题。通过实验和数据集，该方法的正确性得到了验证。

    Oct, 2019

  • 合成人脸图像检测：准确性，鲁棒性，泛化性

    探索合成人脸图像检测的实验研究。我们收集了一个称为 FF5 的数据集，包括近期的扩散模型，发现一个简单的模型在区分合成和真实图像方面能够达到近乎完美的准确率。该模型通过使用数据增强来处理常见的图像失真（降低分辨率、压缩）。此外，我们通过简单的 YOLO 架构模型识别了合成图像被修复到真实图像中的部分篡改，并定位了篡改区域。然而，该模型存在易受对抗性攻击的问题，并且对未见过的生成器无法泛化。我们还测试了最近的最先进方法在经过微调的 StabilityAI 的 Stable Diffusion 图像生成器上无法泛化来检测由新一代生成器产生的图像。

    Jun, 2024

  • 基于语言引导对比学习的通用合成图像检测

    本文提出了一种基于语言引导对比学习的合成图像检测方法，通过添加文本标签来进行联合文本 - 图像对比学习进行取证特征提取，并将合成图像检测问题制定为一种识别问题。该方法在准确性和 AUC 指标上明显优于同类问题的现有方法。

    May, 2023