仅通过真实图像检测生成图像
通过学习真实图像的自然特征,利用监督对比学习的方法,我们的研究提出了一种探测器,针对虚假图像中的伪像纹理的变化进行检测,并在广泛的实验证明了其在未知伪造技术的泛化和对不同变换的鲁棒性方面的显著优势。
Mar, 2024
该研究探讨了在计算机视觉和深度学习领域中,对抗生成网络(GAN)所生成的图像识别与分类中的持续性学习问题,并提出了一种基于增量学习的方法来解决这个问题。通过实验和数据集,该方法的正确性得到了验证。
Oct, 2019
该论文提出了一种针对未知生成器的异常检测视角下的对抗式师生差异感知框架,通过采用对抗学习训练特征增强器,促使真实图像与教师模型之间的输出差异较小,而假图像的输出差异较大,从而解决了未知生成器检测问题。实验结果在公共基准测试中达到了最先进水平,可视化结果显示在面对各种类型的生成器时仍能保持较大的输出差异。
Dec, 2023
研究表明,基于 CNN 的检测方法在现实场景中的鲁棒性还不足,本研究提出了一个跨模型、跨数据和后处理评估框架,并评估了最先进的检测方法,同时还探讨了常用的图像预处理方法及人类对于 CNN 生成图像的检测表现及影响因素。
May, 2020
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
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
本研究旨在验证通过预处理和数据增强,一个经典 CNN 生成器(ProGAN)训练出的图像分类器可以很好地适应不同的 CNN 生成器体系结构,数据集和训练方法,并发现了 CNN-generated images 的一些共同系统缺陷。
Dec, 2019
利用生成网络产生的图像数据进行机器学习分类器的训练,本文提出了三种不同阶段的技术减少随机产生图像训练的不足,将其在 ImageNet 数据集上进行了检测,并相对于在实际数据上训练得到的分类器提供鼓舞人心的结果。
Nov, 2019