SIDBench：用于可靠评估合成图像检测方法的 Python 框架

Apr, 2024

SIDBench：用于可靠评估合成图像检测方法的 Python 框架

SIDBench: A Python Framework for Reliably Assessing Synthetic Image Detection Methods

Manos Schinas, Symeon Papadopoulos

TL;DR该研究论文介绍了一个基准测试框架，通过集成多个最先进的合成图片检测模型，旨在解决合成图片检测方法在实际应用中与基准数据集之间的差距，并研究在线共享素材中的图像变换对检测性能的影响。

Abstract

The generative ai technology offers an increasing variety of tools for generating entirely synthetic images that are increasingly indistinguishable from real ones. Unlike methods that alter portions of an image,

generative ai technology synthetic images synthetic image detection methods benchmarking framework sid models

发现论文，激发创造

利用中间编码块的表示来进行合成图像检测

通过利用中间转换器块提取的图像表示，在可学习的伪造感知向量空间中实现高度泛化的轻量级网络，该网络能编码低级视觉信息，对图片完整性和安全性提出了改进并取得显著性能提升。

Feb, 2024

DeepfakeBench：深度伪造检测的全面基准测试

该研究提出了一个名为 DeepfakeBench 的全面基准测试，旨在解决当前深度伪造检测领域中存在的数据处理流程，评估指标和方法缺乏统一标准的问题，从而促进该领域的进一步研究和发展。

Jul, 2023

合成数据生成模型的评估框架

通过提出一个新的评估框架，本研究旨在评估合成数据生成模型的能力以生成高质量的数据，利用统计和理论信息来比较模型的排名，并展示了该框架在两个应用场景下的实用性。

Apr, 2024

对扩散合成目标的神经网络稳健性进行基准测试

我们建立了视觉感知稳健性的严格基准，通过合成图像进行评估，引入了生成模型作为数据源来合成具有多样化背景、纹理和材料的困难图像，该基准称为 ImageNet-D，实验结果表明 ImageNet-D 对于多种视觉模型都导致了显著的准确率下降。

Mar, 2024

通过实施合成图像数据集创建流程进行视觉汽车品牌分类

利用 Stable Diffusion 进行合成图像数据集，通过 YOLOv8 自动边界框检测和质量评估，演示了仅使用合成数据训练图像分类器的可行性，并自动化了图像生成流程。

Jun, 2024

利用机器学习识别人工智能生成的合成图像

利用机器学习技术来区分 AI 生成的合成图像和真实图像，通过优化深度学习模型和对比实验结果表明，深度学习模型可以更准确地识别合成图像，进一步推动数字媒体可信度及 AI 生成内容的伦理和技术探索。

Jan, 2024

合成人脸图像检测：准确性，鲁棒性，泛化性

探索合成人脸图像检测的实验研究。我们收集了一个称为 FF5 的数据集，包括近期的扩散模型，发现一个简单的模型在区分合成和真实图像方面能够达到近乎完美的准确率。该模型通过使用数据增强来处理常见的图像失真（降低分辨率、压缩）。此外，我们通过简单的 YOLO 架构模型识别了合成图像被修复到真实图像中的部分篡改，并定位了篡改区域。然而，该模型存在易受对抗性攻击的问题，并且对未见过的生成器无法泛化。我们还测试了最近的最先进方法在经过微调的 StabilityAI 的 Stable Diffusion 图像生成器上无法泛化来检测由新一代生成器产生的图像。

Jun, 2024

SID4VAM: 面向视觉注意力建模的合成图像基准数据集

通过使用 230 个合成图像对显著性模型的性能进行了基准测试，研究发现，受到谱 / 傅里叶灵感的模型在显著性测量方面表现更好，并与人类心理物理实验更加一致，提出了一种新的方法来评估显著性模型，考虑了独特的低级特征背景下的合成图像。

Oct, 2019

在跨概念设置中提高合成生成图像的检测

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

情境指令数据库：动态环境中的任务指导

Situational Instructions Database (SID) 通过将具体场景图与动态生成的任务专用指令相结合，提供了一个新颖数据集，使得 AI 系统能够在具备改进的情境感知和操作精度的基础上执行复杂的现实世界任务。该数据集利用先进的生成模型，在基于 3D 语义场景图（3DSSG）数据集的基础上模拟了各种逼真的场景，并通过提供场景特定信息，详细描述了环境相互作用和任务。SID 有助于开发能够适应新的和不断变化条件的 AI 应用程序，支持自主技术和基于 AI 的决策过程的研究。该数据集对于开发在复杂环境中具备强大上下文感知能力的智能系统至关重要。数据集可在 https://github.com/mindgarage/situational-instructions-database 获取。

Jun, 2024