Oct, 2023

X-Transfer: 基于迁移学习的鲁棒 GAN 生成假图像检测框架

PDF
TL;DR本文介绍了一种名为 X-Transfer 的 GAN 生成图像检测算法，该模型通过使用两个采用交替并行梯度传输的兄弟神经网络来增强迁移学习，并有效缓解了过度知识遗忘的问题。此外，我们结合了 AUC 损失项和交叉熵损失，全面提升了模型的性能。通过在多个面部图像数据集上进行全面实验，结果表明我们的模型优于一般的迁移方法，最高准确率达到了 99.04%，提升了约 10%。此外，我们在非面部数据集上展示了出色的性能，验证了其广泛应用前景。
generative adversarial networksdeceptive imagestransfer learninggan-generated image detectionauc loss
发现论文，激发创造
  • T-GD: 可转移的 GAN 生成图像检测框架

    本文提出了一种名为 T-GD 的转移性 GAN 图像检测框架，它包括一个教师模型和一个学生模型，通过迭代地相互训练和评估来提高检测性能，着重于提高 GAN 图像检测的可转移性和迁移学习能力，可以在没有元数据信息的情况下，通过很少的数据就能够有效地检测最新的 GAN 图像。

    Aug, 2020

  • 提高深假脸检测器的跨数据集泛化能力

    本研究使用深度强化学习与卷积神经网络相结合，设计了一种新的深度伪造检测算法，通过统计每张测试图像的各种增强方法的分类分数来检测深度伪造的图片，实验证明该方法在跨数据集的泛化性能方面优于现有的模型，并获得最先进的性能。

    Apr, 2022

  • 用生成式对抗网络实现无监督图像翻译

    介绍了一种基于深度卷积神经网络以及条件生成式对抗网络的通用方法，通过非监督学习来解决图像转换问题，实现了不同域之间的图像转换，并且在多样性方面表现出了很好的通用性。

    Jan, 2017

  • Gated-GAN：用于多集合风格转移的对抗门控网络

    本文提出了一种名为 Gated GAN 的多样式图像合成模型，该模型结合了编码器，门控变换器和解码器三个部分，可以实现在一个模型中转换多种样式的输入图像，同时通过辅助分类器识别样式类别，以稳定训练并提高合成图像质量。

    Apr, 2019

  • XGAN: 无监督的多对多图像翻译

    本文提出了一种名为 XGAN 的双对抗自编码器，可以无监督地捕捉共同的领域语义内容，同时在两个方向上学习域与域之间的图像转换，并通过语义一致性损失函数来实现语义保留，并以公开数据集 CartoonSet 为基准来证明该方法的有效性。

    Nov, 2017

  • 利用生成对抗网络的跨主体迁移学习在人类活动识别系统中的应用

    本文介绍了一种名为 SA-GAN（Subject Adaptor GAN）的对抗性学习方法，利用生成式对抗网络框架在穿戴传感器人体活动识别领域进行跨主体迁移学习，表现优于其他现有的方法，准确性高达 90%。

    Mar, 2019

  • GarmentGAN：照片逼真对抗时尚转换

    GarmentGAN 是一种使用生成对抗方法进行图像化服装转移的算法，可以根据用户提供的两张图像，合成新的虚拟试衣图片，通过在训练中加入分割地图和人体关键点信息，提升了图像的真实性和效果。

    Mar, 2020

  • 图像和视频对象检测的可传递对抗性攻击

    本研究提出了一种基于生成对抗网络（GAN）框架的方法，通过联合训练高级别类别损失和低级别特征损失，获得生成对抗图像和视频，并成功解决了对目标检测模型的对抗攻击中存在的二合一问题：低的迁移能力和高的计算成本。

    Nov, 2018

  • 利用 GANs 进行欺诈检测：使用合成交易数据进行模型训练

    使用生成对抗网络（GANs）算法设计和实现了一个基于深度学习技术的伪造人脸验证代码和欺诈检测系统，以增强交易过程的安全性。

    Feb, 2024

  • 文本到图像生成的跨模态对比学习

    使用交叉模态对比生成对抗网络（XMC-GAN）进行文本到图像的综合，通过使用多个对比损失，注意力自我调节生成器和对比鉴别器，以最大化图像和文本之间的相互信息，改善了图像合成的质量，并在 MS-COCO、Localized Narratives 和 Open Images 上实现了最先进的 FID 评分．

    Jan, 2021