如何区分人工智能生成的图像与真实照片
生成对抗网络图像与人类创作之间的区分是个具有挑战性的问题,本论文通过使用监督学习的分类器以及艺术家使用其艺术技巧的方法,对现代生成模型的性能进行了研究,并分析了自动化检测器和人类团队的结合可以提供最佳的准确性和鲁棒性。
Feb, 2024
基于人工智能图像生成的技术不断提升,产生更具逼真性且视觉缺陷较少的图像。这些图像被用于创建虚假在线账户,用于垃圾邮件、欺诈和虚假信息传播活动。本研究聚焦于区分真实的面部和基于人工智能生成的面部,以解决使用伪造用户头像的非真实在线账户检测问题。通过仅关注面部,我们展示了一种更具有弹性和通用性的工件,可以检测来自各种生成对抗网络和扩散基础合成引擎的人工智能生成面部,同时适用于多种图像分辨率(低至 128 x 128 像素)和质量。
Nov, 2023
本文是一篇文献综述,探讨了 AI 生成模型在静态和交互媒体中简化视觉创造流程的巨大潜力及其在技术和伦理方面对多个重要产业的影响,涵盖了 AI 文本到图像生成、Midjourney、Stable Diffusion、AI 伦理、游戏设计、数字艺术和数据洗白等方面的关注点和挑战,以及如何通过适当的监管解决相关的法律、伦理等问题。
May, 2023
本研究探究当前最先进的基于人工智能技术的视觉内容生成模型是否可以始终欺骗人类眼睛和传达错误信息,并通过高质量的定量研究揭示,人类不能在很大程度上区分真实的照片和人工智能创造的虚假照片。
Apr, 2023
该研究论文提出了一种系统性尝试,以理解和检测在对抗场景中生成的 AI 图像(AI 艺术)。该论文收集和分享了一个名为 ARIA 的数据集,其中包含来自四种热门 AI 图像生成器生成的真实图像和对应的人工对应图像。通过对 ARIA 数据集进行用户研究和基准测试,评估了真实世界用户和现有 AI 图像检测器在识别这些图像上的能力,并介绍了一个 ResNet-50 分类器,并评估了它在 ARIA 数据集上的准确性和可迁移性。
Apr, 2024
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
本文旨在研究生成 AI 系统如何创造艺术品,探讨 AI 系统生成的图像是否被视作艺术品,分析 AI 生成的图像在哲学上的地位并通过视觉属性展现作为 “就绪品” 的艺术性。
Jul, 2023
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
该研究探究了在合成图像检测中使用人工智能支持的人类操作员与使用传统方法训练的模型的效果比较,结果发现人工智能在训练时使用的人类指导会提供更好的图像分类支持。同时,向人类操作员提供合成图像检测模型的决策或热点映射可以提高模型的分类准确性并增加人类操作员的信任感,从而提高人类操作员与人工智能合作的效果。
Aug, 2022
本研究使用 “多样性 vs. 可识别性” 评分框架,对一次性扩散模型进行了改进,并发现其可以生成看起来似乎是人类所绘制的图画,但在细节原创性和可识别性方面仍不如人类所绘制的图画,这一差距可以部分地被不同的视觉策略所解释。
Jan, 2023