Nov, 2023

阴影不撒谎，直线不弯曲！生成模型暂不懂投影几何……

PDF
TL;DR通过使用几种分类器只分析图像的几何特征，我们证明生成的图像具有与真实图像不同的几何特征，当前的生成器无法可靠地复制真实图像的几何属性。
generative modelsgeometric featuresprequalified generated imagesclassifiersgeometric properties
发现论文，激发创造
  • 让真实图像作为判断者，发现由生成模型合成的假图像

    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

  • 朝现实的生成三维人脸模型

    本文提出使用 2D 生成模型加上面部特征操作来创造 3D 可控制生成人脸模型的方法，可进行文本编辑、样式编辑和生成精确的 3D 形状和更高质量的色彩。

    Apr, 2023

  • 从影子中学习神经表征

    该研究提出一种基于神经投影场的方法，利用阴影来学习场景的神经表示，实现了用稀疏图像信号估计几何信息的目的，并且证明了该方法的泛化能力，并且在与 NeRF 等其他方法的比较中体现出更好的性能。

    Mar, 2022

  • 合成图像的有趣特性：从生成对抗网络到扩散模型

    本研究通过对各种不同类型图像生成器的系统研究，探寻真实与虚假图像之间最具法医学意义的特征，发现合成图像中出现了可见的傅里叶域信号缺陷，以及自相关中出现的异常规律图案，并且当用于训练模型的数据集缺乏足够的多样性时，其偏见会转移到生成的图像中，观察了人造图像与真实图像之间较高频率信号内容的显著差异。

    Apr, 2023

  • 仅通过真实图像检测生成图像

    基于真实图像的生成图像检测方法，在特征空间中找到真实图像的共性，并将其映射到稠密子空间，从而使得无论生成模型如何，生成图像都能够被投影到子空间之外，实验证明所提方法能够在高推理效率的同时，通过使用较少的训练数据与最新生成模型竞争，并具有抗各种后处理的鲁棒性。

    Nov, 2023

  • 使用生成的图像训练模型的数据集不存在

    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

  • 生成分类器的有趣性质

    当前主要的建模人类物体识别的范式是辨别性推理，但零样本生成模型出奇地接近人类物体识别数据。

    Sep, 2023

  • 利用生成模型表征分类器的偏差

    使用逐步条件生成模型和贝叶斯优化的方法，通过生成对抗网络来分析分类器在种族和性别方面的偏差。

    May, 2019

  • 教授 Transformer 多视图几何的轻触方法

    本论文提出了使用极线来引导转换器的跨关注映射，以指导 Transformer 学习多视角几何，并在需要时使其突破自由。实验证明，我们的方法在对象检索方面优于现有技术，而无需在测试时提供姿态信息。

    Nov, 2022

  • 揭示真相：探索虚假图像中的人类注视模式

    通过人类语义知识和眼动实验研究假图像检测的可能性，结果显示人们在感知伪造样本时倾向于关注图像的更局部区域，与观看真实图像时更分散的观察模式形成对比。

    Mar, 2024