IJCAIJun, 2023

实现鲁棒性 GAN 生成的图像检测：多视角完成表征

PDF
TL;DR提出了一种基于多视图图像完成表示的鲁棒检测框架，该框架学习各种视图到图像任务来建模真实图像的不同分布，从而稳健和可靠地检测未知的伪造图案，并且针对各种干扰攻击具有鲁棒性。
gan-generated image detectionmalicious usesmulti-view image completion representationrobust detection frameworkperturbation attacks
发现论文，激发创造
  • 通向通用 GAN 图像检测

    提出了一种基于对比学习范式和有限子采样架构的 GAN 图像检测器，可以提供好的通用性和抗干扰能力，能在具有挑战性的条件下保证良好的泛化能力。

    Dec, 2021

  • 使用深度学习进行语义图像补全和增强

    本文提出了一种深度学习架构，使用生成对抗网络 (Wasserstein GAN architecture) 完成损坏、缺失图像的修复与增强，实验结果表明该方法相对于最近报道的结果，峰值信噪比和结构相似度指数提高了 2.45% 和 4%。

    Nov, 2019

  • 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

  • 基于图像自适应 GAN 的重建

    本研究针对深度生成模型如变分自编码器和生成对抗网络在高复杂度图片样本表现的不足，提出一种图像自适应的修复方案，增强复原的表达能力。在图像超分辨率和压缩感知方面进行了实证表明其优势。

    Jun, 2019

  • 利用再构和混合图像以及多尺度特征再构神经网络进行广义深度伪造检测

    通过生成合成的混合图像并利用多尺度特征重建网络，实现更好的跨操作检测和跨数据集检测性能。

    Dec, 2023

  • 随机缺失输入数据的多域图像补全

    本文提出了一种基于生成对抗网络 (GAN) 的多领域图像完成方法，该方法使用表示学习技术在多个领域中提取共享骨架编码和分离的肉体编码，以完成实际应用中可能出现的领域数据缺失问题，并证明所学习的表示方法对高级任务具有潜在价值。

    Jul, 2020

  • CR-GAN: 多视图生成的完整表征学习

    提出了一种两个学习路径相互协作的 CR-GAN，通过引入一条生成侧路以保持学习嵌入空间完整性，结合已标记和未标记数据的半监督学习，使其能更好地泛化到看不见的数据集，有效解决了单通路框架下 GAN 可能学习不完整表征的问题，在生成多视角图像方面比现有方法表现更好，特别是在野外条件下。

    Jun, 2018

  • 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

  • 超越光谱：通过重新合成检测 Deepfakes

    提出了一种针对深度伪造技术 (Fake 技术) 的视觉数据的伪造检测算法，通过重新合成测试图像并提取视觉线索进行检测，该方法包括超分辨率、降噪和上色。该方法具有较高的检测效率、交叉 GAN (Cross-GAN) 泛化以及对 CelebA-HQ、FFHQ 和 LSUN 数据集的扰动鲁棒性。

    May, 2021

  • D$^3$: 通过学习差异扩大深伪检测规模

    通过引入并行网络分支，以失真图像作为额外的差异信号来补充原始图像，我们的 Discrepancy Deepfake Detector (D^3) 框架能够学习来自多个生成器的通用特征，从而在对抗各种生成模型时实现更好的泛化和鲁棒性。

    Apr, 2024