Sep, 2023

IEEE 视频与图像处理杯2022学生竞赛：合成图像检测亮点

HTML
PDF
TL;DR开发用于识别真实图像和生成图像的系统是2022 IEEE VIP Cup的主题，并且这主题与使用AI技术生成视觉数据的巨大进展以及合成高逼真图像和视频的工具所带来的信任问题和网络虚假信息传播有关。因此，需要开发出鲁棒且自动化的工具来检测合成图像。
发现论文，激发创造
  • ECCV 2020 VIPriors目标检测挑战赛第二名解决方案

    本文介绍了我们在2020年的ECCV VIPriors物体检测挑战中使用最先进的数据增广策略、模型设计和后处理集成方法，克服数据缺乏困难、仅使用10K训练图像，在没有任何预训练或迁移学习权重的情况下，获得了第二名，并在COCO2017验证集上实现了36.6％的AP。

    Jul, 2020

  • 2022年多类伪造检测竞赛：推进无约束和多元化伪造检测的前沿

    本文介绍了同时与2022年CVPR上的IEEE计算机学会生物特征学车间举办的Multi-Forgery Detection Challenge，该挑战旨在检测包括但不限于图像编辑、图像合成等自动图像篡改行为，该挑战吸引了来自全球的674支队伍参与，其中Top 10 队伍被邀请展示解决方案，最终3支队伍获得了奖励，本文旨在介绍这3支队伍的解决方案，以推进图像伪造检测领域的研究。

    Jul, 2022

  • IEEE大数据杯2022：基于深度学习的加密图像隐私保护匹配

    本文介绍了一个基于深度卷积神经网络和数据增强技术的解决方案，用于IEEE Big Data Cup 2022挑战中隐私保护匹配加密图像的任务，并在该挑战中获得第一名。主要关键词为智慧城市、智慧传感器、隐私保护、加密技术和深度卷积神经网络。

    Nov, 2022

  • 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

  • 眼科生物标志物检测方法基于集成视觉变形器——IEEE SPS VIP Cup 2023的获胜解决方案

    使用视觉变换器模型MaxViT和EVA-02，该报告概述了我们在IEEE SPS VIP Cup 2023: Ophthalmic Biomarker Detection竞赛中的方法，通过从多样化病人获得的光学相干断层扫描图像中识别生物标志物，使我们的解决方案成为竞赛中表现最佳的解决方案。

    Oct, 2023

  • 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

  • SIDBench：用于可靠评估合成图像检测方法的Python框架

    该研究论文介绍了一个基准测试框架，通过集成多个最先进的合成图片检测模型，旨在解决合成图片检测方法在实际应用中与基准数据集之间的差距，并研究在线共享素材中的图像变换对检测性能的影响。

    Apr, 2024

  • 区分任意伪造视频：释放大规模数据和动作特征的力量

    本文介绍了用于AI生成视频检测的广泛视频数据集GenVidDet和一种创新有效的方法Dual-Branch 3D Transformer，该方法能够以96.77%的准确率区分真实视频和生成视频内容，并对未知类型具有较强的泛化能力。

    May, 2024

  • 深度合成图像问题的解决方法：相机硬件、密码学和深度学习能够验证真实图像吗？

    目前发展中的生成式人工智能对所有真实图像和视频的可信性带来了严重的影响，因此有必要建立一种能够高度自信地区分真实数据和合成数据的方法，本文目的是介绍目前已知的用于检测和加密的策略，并衡量其优劣之处，并提出额外的改进方法以弥补不足之处。

    Jul, 2024

  • 改善合成图像检测的泛化能力：图像变换的视角

    本研究聚焦于合成图像检测（SID）的缺陷，识别了当前训练范式中的两种偏见：削弱的伪影特征和过拟合的伪影特征。提出了一种名为SAFE的轻量级检测器，通过简单的图像变换（如裁剪、颜色抖动和随机旋转）来增强局部感知，从而在开放世界数据集上实现了新的最先进的检测性能，准确性提高4.5%。

    Aug, 2024