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
通过建立一个综合基准测试来评估最先进的检测器的泛化能力和鲁棒性,然后通过频域分析伪造痕迹来得出各种见解,并进一步证明使用频率表示训练的检测器可以很好地泛化到其他未见的生成模型。
Feb, 2024
本研究探讨了单图 Deepfake 检测器对最新生成方法之一,去噪扩散模型(DDM)的攻击的脆弱性,并在 FaceForensics ++ 数据集上进行了测试,结果表明单个去噪扩散步骤可以显著降低所有经过测试检测器的准确性而不引入明显的视觉变化
Jul, 2023
通过使用基于 DALL-E 和扩散模型的生成模型,我们提出了 DatasetDM,一个通用的数据集生成模型,可以生成各种合成图像和相应的高质量感知注释。训练仅需要少于 1%的手动标记图像,使得生成无限大的注释数据集成为可能。我们生成了具有丰富密集像素级标签的数据集,并在语义分割和实例分割方面取得了最先进的结果。
Aug, 2023
本文研究了利用生成模型如 GANs 构建的合成影像,其在大脑肿瘤分割任务上与真实影像训练的性能差异,发现实验结果在一定数据量下合成影像可以很好地训练神经网络,而常用的评估合成影像的指标无法很好地预测其在特定任务上的性能。
Jun, 2023
通过在预训练的自编码器的潜在空间中应用扩散模型,引入交叉注意力层到模型体系结构中,以更少的计算要求取得接近最优的性能,实现高分辨率合成,缩小像素级 DMs 对计算资源的需求。
Dec, 2021
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
通过使用特定类型的扩散模型(DDPM)在合成孔径雷达(SAR)领域实现有条件和无条件图像生成,本研究表明 DDPM 在质量上以及定性和定量效果上都优于现有的基于 GAN 的方法,并展示了预训练对于提高 SAR 图像生成质量的益处。
May, 2024
该研究论文提出了一种基于扩散模型的合成逼真噪声的新方法,用于为困难获得真实数据的情景下的训练去噪模型提供大量高质量的数据,并在多个基准测试上证明了其方法的优越性.
通过扩充背景与前景文字的整合,Diffusion Model based Text Generator (DiffText) 创造了一种能生成真实文本图像并优化文本探测器性能的新型合成数据集方法。
Nov, 2023