Mar, 2024

数据无关运算器：一种无需训练的适用于通用深伪造检测的艺术品表示提取器

PDF
TL;DR合成图像、生成对抗网络、假图像检测、数据独立操作、技术水平的优化
synthetic imagesgenerative adversarial networksfake image detectiondata-independent operatorstate-of-the-art performance
发现论文，激发创造
  • D$^3$: 通过学习差异扩大深伪检测规模

    通过引入并行网络分支，以失真图像作为额外的差异信号来补充原始图像，我们的 Discrepancy Deepfake Detector (D^3) 框架能够学习来自多个生成器的通用特征，从而在对抗各种生成模型时实现更好的泛化和鲁棒性。

    Apr, 2024

  • 自监督图转换器用于深度伪造检测

    该研究介绍了一种深假检测框架，利用自监督预训练模型提供出色的泛化能力，能够应对常见的扭曲并解释模型的决策，实验证明该框架的有效性超过当前最先进方法。

    Jul, 2023

  • 数据无关模型压缩的双判别器对抗蒸馏

    提出了一种名为 Dual Discriminator Adversarial Distillation (DDAD) 的新型无数据的知识蒸馏方法，通过生成样本，训练紧凑的学生网络，使其接近其教师网络，从而在计算机视觉任务中实现了高效的神经网络。

    Apr, 2021

  • 无数据学习的学生网络

    提出基于生成对抗网络（GANs）的深度神经网络的无数据训练方法，将预训练的教师网络视为固定的鉴别器，利用生成器派生的训练样本和教师网络一起训练出模型较小和复杂度较低的有效网络。通过 Data-Free Learning（DAFL）方法学习，使用 ResNet-18 在 CIFAR-10 和 CIFAR-100 数据集上实现了 92.22％ 和 74.47％ 的精度，并在 CelebA 基准测试上获得了 80.56％ 的精度。

    Apr, 2019

  • DFIL：利用领域不变伪造线索进行 Deepfake 增量学习

    通过增量学习和领域不变表示，以及基于多角度知识蒸馏方法的特征级和标签级正则化，我们的研究提出了一种新型增强型 deepfake 检测模型，通过选择中心和困难样本来更新回放集，并取得了 7.01 的平均遗忘率和 85.49 的平均准确率。

    Sep, 2023

  • GenDet：面向 AI 生成的图像检测的良好泛化能力

    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

  • 大规模生成无数据蒸馏

    提出了一种新的方法，通过利用训练教师网络内在归一化层的统计信息来训练生成图像模型，从而在没有训练数据的情况下实现知识迁移、模型压缩和半监督学习，该方法在 CIFAR-10 和 CIFAR-100 数据集上表现出色，并能够将其扩展到 ImageNet 数据集。

    Dec, 2020

  • 选择性域不变特征用于可推广的深假识别

    提出了一种名为 Selective Domain-Invariant Feature (SDIF) 的新型框架，通过融合内容特征和样式来减少对面部伪造的敏感性，并使用动态特征提取模块生成具有多样样式的特征，最终使用领域分离策略来帮助区分真实和伪造的面部。在现有基准和提案中的定性和定量结果证明了我们方法的有效性。

    Mar, 2024

  • 无需使用 Deepfake 的 Deepfake 检测：通过合成的频率模式注入进行泛化

    通过在图片生成过程中注入不同频率的合成模式，提高了深度伪造检测器的泛化能力。使用该方法训练的模型能够实现先进的深度伪造检测，并能有效地识别任意生成技术产生的深伪造。

    Mar, 2024

  • 探索深度神经网络中的异常表示

    这篇论文介绍了 DORA（Data-agnOstic Representation Analysis）框架，它利用网络内部的自我解释能力，提出了一种新的距离度量方法，对 DNNs 的表示空间进行了数据无关的分析。通过这个度量方法，可以检测到可能存在风险的异常表示，该方法最终应用于分析并识别了广受欢迎的计算机视觉模型中的人工异常表示。

    Jun, 2022