层次对比学习用于模式通用图像污损检测
本文提出一种基于反馈机制的面向难度级别泛化的深度卷积神经网络图像修复模型自动生成的算法,旨在避免 “固定” 模型对于固定难度级别的训练。实验表明,在四个图像修复任务上,本算法均优于传统训练和课程学习替代方案。
Dec, 2016
本研究探讨了图像分类器对以文字为导向的失真的鲁棒性,并利用扩散模型对图像进行不同域的编辑,研究结果表明: 在不同语言为基础的失真和编辑域中,图像分类器的性能显著下降,卷积模型比变压器架构更为鲁棒,同时,常见的数据扩充技术可以提高原始数据和编辑图像的性能。
Apr, 2023
基于对比学习的 Video Inpainting LOcalization (ViLocal) 方案使用 3D Uniformer 编码器学习了有效的时空取证特征,通过吸引 / 排斥正 / 负原始和伪造像素对捕捉到了图像修复不一致,然后通过专门的两阶段训练策略利用轻量级卷积解码器生成了一个像素级修复定位地图,实验证明 ViLocal 优于现有技术。
Jun, 2024
该研究论文证明,通过对图像识别模型进行简单但适当的高斯噪声和斑点噪声训练,可以使其具有更好的泛化能力和对不同类型损坏更强的鲁棒性,并结合敌对训练方法进一步提高性能。
Jan, 2020
该论文提出一种无需建模过程,通过生成对抗网络(GAN)、新提出的缩放模式损失和动态遮蔽循环次要网络等三方面联合作用直接检测缺陷模式的一阶段框架,在 MVTec AD 数据集的质地类别中表现出比现有技术更高的 F1 分数和更好的普适性。
Jun, 2023
提出了一种多视角像素对比算法(MPC)来进行图像伪造定位,通过预训练主干网络和微调定位头,增强像素定位器,并在不同规模的训练数据集上进行广泛实验证明该方法具有更高的泛化性能和对后期处理的鲁棒性。
Jun, 2024
本文提出了一种新的对抗训练框架来完成带有分割混淆对抗训练(SCAT)和对比学习的图像修复任务。通过将 SCAT 与标准全局对抗训练相结合,该框架同时具有以下三个优点:修复图像的全局一致性、局部细节特征以及处理任意形状的缺陷。此外,我们还提出了纹理和语义对比学习的损失函数来稳定并改进我们的修复模型的训练,更好地指导修复图像从受损的图像数据点移到真实图像数据点。在两个基准数据集上的广泛实验表明,我们的模型在定性和定量上都具有良好的效果和优越性。
Mar, 2023
图像伪造检测的新方法 FOrensic ContrAstive cLustering (FOCAL) 基于对比学习和无监督聚类,通过像素级对比学习指导高级取证特征提取,使用实时无监督聚类算法将学习到的特征聚类为伪造 / 原始类别,并通过特征级连接进一步提高检测性能,对六个公共测试数据集进行广泛实验证明了 FOCAL 明显优于现有竞争算法。
Aug, 2023