Apr, 2024

ASAP: 可解释性 AI 生成图像模式的大规模分析与总结

PDF
TL;DR利用 ASAP 在 AI 生成的图像中自动提取与欺骗模式相关的突出特点，并通过各种视图进行交互式探索。
generative image modelsdeceptive imagesasapai-generated imagesfake patterns
发现论文，激发创造
  • 隐匿论文代写：AI 生成学生论文检测的对抗性评估

    构建了 AIG-ASAP 数据集，利用文本扰动方法生成高质量的学生论文，评估当前 AIGC 检测器在该数据集上的性能，发现现有检测器容易受到自动对抗攻击的规避，强调需要更准确、更稳健的方法来检测教育领域中的 AI 生成学生论文。

    Feb, 2024

  • AI 生成图像检测的合理性检查

    通过对于生成模型的 AI 生成图像的检测任务进行检验，本文提出了一个具有挑战性的 Chameleon 数据集和 AIDE 模型，通过多个专家同时提取视觉特征和噪声模式来识别 AI 生成图像，并在现有基准测试以及挑战性的 Chameleon 基准测试中取得了令人满意的结果。

    Jun, 2024

  • 在线检测 AI 生成图像

    通过研究 AI 生成图像的检测方法以及泛化性能，本研究扩展了像素预测的应用并评估了使用合成图像训练像素检测器的可行性。

    Oct, 2023

  • ArtiFact：一个大规模人工和真实混合图像数据集，用于通用和健壮的合成图像检测

    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

  • 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

  • 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

  • 通过交互式视觉分析消除机器盲区的系统误差

    该研究提出了一种视觉分析系统（ESCAPE），通过人类参与者的观测和量化，以及减轻偏见的解决方案（debias 方法），在避免人工智能盲点（AI blindspots）和系统性错误方面具有较高的实用性。

    Mar, 2023

  • CIFAKE: 人工智能生成的合成图像的图像分类和可解释标识

    使用合成数据，基于计算机视觉，通过卷积神经网络和可解释的 AI 技术实现对人眼难以区分真实照片和 AI 生成的图片的分类，最终建立的 CIFAKE 数据集对于未来的研究工作提供了有价值的资源。

    Mar, 2023

  • AI 生成图像检测所需的单个简单补丁

    为了防止虚假图像的恶意使用，本研究提出了一种简单且具有鲁棒性和通用性的方法，即将单个简单贴片的噪声模式馈入二元分类器，相对于最新方法在 GenImage 数据集上达到 14.6% 的相对改进，可以作为未来方法的简单而有竞争力的基准。

    Feb, 2024

  • ASPIRE：语言引导的增强技术用于鲁棒性图像分类

    本文提出了 ASPIRE（用于消除冗余关联的语言引导数据增强）的简单且有效解决方案，通过引导语言生成没有冗余特征的合成图像来扩展训练数据集，从而改善先前方法的分类准确度。

    Aug, 2023