Jun, 2023

DeepfakeArt Challenge: 用于生成式 AI 艺术伪造和数据中毒检测的基准数据集

PDF
TL;DR本文介绍了 DeepfakeArt Challenge，这是一个大规模的挑战基准数据集，旨在帮助构建生成 AI 艺术伪造和数据污染检测的机器学习算法。该数据集包括超过 32,000 个记录，涵盖了多种生成伪造和数据污染技术。
generative aivisual content synthesisimage forgerydata poisoningdeepfakeart challenge
发现论文，激发创造
  • WildFake: 一个用于人工智能生成图像检测的大规模挑战数据集

    评估生成模型检测的概括性和鲁棒性，我们提供了一个大规模数据集 WildFake，包含最新的生成器、各种物体类别和实际应用，其丰富性和层次结构提高了对 WildFake 上训练的检测器的泛化性和鲁棒性，从而展示 WildFake 在真实场景下作为 AI 生成图像检测器的重要性和有效性。

    Feb, 2024

  • 面部伪造检测的大规模通用评估基准

    通过构建大规模评估基准 DeepFaceGen，本研究从多个角度评估和分析 13 种主流人脸伪造检测技术的性能，并通过广泛的实验分析得出重要发现并提出未来研究的潜在方向。

    Jun, 2024

  • 对抗性人工智能艺术：理解、生成、检测和基准测试

    该研究论文提出了一种系统性尝试，以理解和检测在对抗场景中生成的 AI 图像（AI 艺术）。该论文收集和分享了一个名为 ARIA 的数据集，其中包含来自四种热门 AI 图像生成器生成的真实图像和对应的人工对应图像。通过对 ARIA 数据集进行用户研究和基准测试，评估了真实世界用户和现有 AI 图像检测器在识别这些图像上的能力，并介绍了一个 ResNet-50 分类器，并评估了它在 ARIA 数据集上的准确性和可迁移性。

    Apr, 2024

  • ArtiFact：一个大规模人工和真实混合图像数据集，用于通用和健壮的合成图像检测

    本篇论文旨在通过 ArtiFact 大型数据集以及多分类分类方案和滤波步幅缩减策略，检测来自已知和未知生成器的合成图像，以增强合成图像探测器的泛化和鲁棒性。结果表明，该方案在 IEEE VIP Cup ICIP 2022 挑战赛上取得了明显的优势。

    Feb, 2023

  • GenImage：用于检测人工智能生成图像的百万级基准测试

    该论文介绍了 GenImage 数据集，该数据集拥有超过 100 万对人工智能生成的假图像和真实图像，且具有丰富的图像内容和最先进的生成器，通过该数据集，研究人员可以有效加快相对于现有方法的优越人工智能生成图像检测器的开发和评估。

    Jun, 2023

  • 深度图像合成与图像伪造

    图像伪造是一个多年来一直被研究的课题，深度学习的突破对图像伪造检测产生了重大影响，我们使用先进的图像合成深度学习模型自动化数据生成，生成接近真实操作的拼接图像，通过对生成的数据集进行测试，我们证明其对现有数据集的预测性能较低，即我们生成了更难检测的逼真图像。

    Apr, 2024

  • Deepfakes 生成和检测：现状、挑战、对策和发展方向

    本文综述了现有工具和基于机器学习的方法，用于深度伪造（Deepfake）的生成和检测，并讨论了目前的公共数据集和对技术进行性能评估的关键标准，强调了未来研究的方向。

    Feb, 2021

  • 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

  • 生成模型的人工指纹：通过训练数据来追根揭底深度伪造图像的来源

    我们通过嵌入人工指纹到生成对抗网络的训练数据中，展示了指纹从训练数据中转移到生成模型的惊人传递性，并证明此解决方案对多种诸如深度伪造检测和归属等任务都有效，且鲁棒性强。

    Jul, 2020

  • 扩散深度伪造

    通过生成式 AI 和扩散模型，我们引入了两个广泛的生成伪造数据集，用于测试当前深伪造检测器的脆弱性，并提出了增强训练数据多样性和动量困难提升策略来改进模型的普适性。通过全面评估，我们的模型优化方法明显优于以前的替代方案。

    Apr, 2024