富贫纹理对比:一种简单而有效的AI生成图像检测方法
本文提出了一种基于语言引导对比学习的合成图像检测方法,通过添加文本标签来进行联合文本-图像对比学习进行取证特征提取,并将合成图像检测问题制定为一种识别问题。该方法在准确性和AUC指标上明显优于同类问题的现有方法。
May, 2023
该论文介绍了GenImage数据集,该数据集拥有超过100万对人工智能生成的假图像和真实图像,且具有丰富的图像内容和最先进的生成器,通过该数据集,研究人员可以有效加快相对于现有方法的优越人工智能生成图像检测器的开发和评估。
Jun, 2023
通过五个统计量计算的图像逼真度评分(IRS)是一个高效的图像逼真度度量,也可用作判断图像真实与否的指标。实验结果表明,IRS可以成功检测由多种高质量生成模型生成的假图像,并且可以通过改进模型的生成损失函数,显著提高生成内容的质量。
Sep, 2023
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
该研究讨论了使用生成图像模型检测人工内容的紧迫性,并指出当前的数据集中存在与JPEG压缩和图像大小相关的偏差。研究还展示了去除这些偏差对JPEG压缩的鲁棒性和评估检测器的不同生成器间性能的显著影响,其中ResNet50和Swin-T检测器在GenImage数据集上的不同生成器间性能提高了超过11个百分点,达到了最先进的结果。
Mar, 2024
我们的论文研究了图像清洗的法医学意义,揭示了模糊真实内容的严重潜力,包括可能被错误分类为合成图像的敏感和有害材料,从而损害所涉者的保护。为了解决这个问题,我们提出了一个有效区分原始、清洗和全合成图像(从文本提示生成的图像)的两阶段检测流程,在各种条件下表现出鲁棒性。最后,我们强调了图像清洗的另一个令人担忧的性质,它似乎掩盖了法医检测器用来解决相机模型识别任务的独特伪迹,严重削弱了它们的性能。
Jul, 2024
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
本研究针对合成图像与真实照片的辨别问题,揭示了生成扩散模型在创建合成图像时所产生的可见伪影。我们对这些伪影进行了分类和实例展示,并讨论了检测所面临的挑战,以及本研究的实际应用和未来研究方向。
Aug, 2024
该研究解决了合成图像来源追溯的不足,提出了一种简单而有效的框架,结合了大型预训练基础模型的特征,能够在开放集场景中进行合成图像的来源归属。研究结果表明,该方法在低数据条件下表现出色,超越了现有技术,具有更好的泛化能力。
Aug, 2024
本研究针对纹理领域缺乏大规模多样数据的问题,提出了一种新方法和数据集,用于生成高质量、多样的纹理图像。通过开发输入提示、调整生成模型以及严格筛选,最终创建了一个包含362,880幅纹理图像的Prompted Textures Dataset (PTD)。研究发现,纹理图像在安全过滤过程中容易被错误标记,揭示了当前模型的潜在偏见。
Sep, 2024