Apr, 2023

合成图像的有趣特性：从生成对抗网络到扩散模型

PDF
TL;DR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。
发现论文，激发创造
  • 关于检测扩散模型生成的合成图像

    本文旨在了解人们无法将由扩散模型产生的合成图像与原始图像区分开来的难度，并研究当前的最先进检测器是否适用于此任务。

    Nov, 2022

  • 让真实图像作为判断者，发现由生成模型合成的假图像

    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

  • 迈向 AI 合成人脸图像的检测

    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

  • 提高深度生成数据的效果

    即使合成图像在下游图像分类任务中导致性能下降，通过使用合成图像增强真实数据可以在数据稀缺情况下提升下游分类任务的表现，内容差距是这一现象的较大部分原因，我们提出了策略来更好地利用深度生成模型中的合成图像。

    Nov, 2023

  • 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

  • 分析虚假训练数据对深度学习系统性能的影响

    本文深入分析了使用不同比例的真实数据和合成数据来训练计算机视觉模型对模型鲁棒性和预测质量的影响，证明使用生成对抗网络生成高质量合成数据可以减轻深度学习模型面临的挑战。

    Mar, 2023

  • 使用合成磁共振图像的脑肿瘤分割 ——GAN 和扩散模型的比较

    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

  • 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

  • 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

  • 生成对抗网络用于大脑影像合成的综述

    本文主要介绍了使用生成对抗网络（GAN）进行医学图像合成的研究。作者总结了最近应用 GAN 进行交叉模态大脑图像合成的进展，包括 CT 合成 PET、CT 合成 MRI、MRI 合成 PET 以及相反的方向。

    May, 2023