MMOct, 2022

地理伪造图像检测的预训练卷积神经网络模型评估

PDF
TL;DR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。
generative adversarial networksdeepfakefake satellite imagesconvolutional neural networkimage distortions
发现论文，激发创造
  • 利用 GAN 和单类分类器进行卫星图像伪造检测和定位

    本论文提出一种卫星图像伪造检测和定位算法，使用生成对抗网络（GAN）学习卫星图像的特征表征，并将一类支持向量机（SVM）用于训练和检测图像伪造。

    Feb, 2018

  • 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

  • 通过多个 CNN 的正交训练检测 GAN 生成的图像

    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。

    Mar, 2022

  • 在真实场景中检测卷积神经网络生成的人脸图像

    研究表明，基于 CNN 的检测方法在现实场景中的鲁棒性还不足，本研究提出了一个跨模型、跨数据和后处理评估框架，并评估了最先进的检测方法，同时还探讨了常用的图像预处理方法及人类对于 CNN 生成图像的检测表现及影响因素。

    May, 2020

  • 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

  • 一种基于卷积神经网络的相机模型识别反取证方法

    本文研究了通过对抗性的样本对基于卷积神经网络的相机模型检测器进行欺骗的反取证方法，并展示了即使用针对图像分析和获取相机模型信息的先进深度学习架构，也存在一定漏洞。

    May, 2018

  • 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

  • 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

  • 检测医学图像深度伪造的深度卷积神经网络的比较分析

    研究表明，在医学图像领域，使用综合评估 13 种先进的深度卷积神经网络（DCNNs）有效地区分真实的和篡改或操纵的医学图像。发现 ResNet50V2 在精确度和特异度方面表现出色，而 DenseNet169 在准确性、召回率和 F1 得分方面表现突出。同时，MobileNetV3Large 在保持相对较小的参数数量的同时，具有较高的性能。研究还发现 DenseNet 和 EfficientNet 模型族在隐空间分离质量上卓越，提供对医学图像造假的更深入理解。该研究对医学图像领域的深度伪造图像检测做出了有价值的贡献。

    Jan, 2024

  • 利用深度学习文本到图像模型生成合成卫星图像 - 技术挑战及对监测和验证的影响

    通过使用新颖的深度学习模型，本研究探索了使用条件机制创建合成卫星图像的挑战，通过真实性和最先进的度量方法评估了结果，并研究了合成数据在遥感中缓解数据不足的潜力，讨论了合成卫星图像在监测和验证方面的意义。

    Apr, 2024