Jun, 2024

检测人工智能生成图像的双输入神经模型的开发

PDF
TL;DR通过引入傅里叶频率分解和双分支神经网络架构，我们提出了一种可以检测人工智能生成图像的工具，有效解决了在道德层面上区分真实图像和虚假图像的难题，达到了与一些最先进的架构相当的性能。
artificial intelligenceethicsmisinformationimage detectionneural network
发现论文，激发创造
  • 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

  • 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

  • 家长和孩子：区分多模态深度伪造图像与自然图像

    本文通过系统研究最新扩散模型生成的虚假图片的真实性，分析其图像的低层特征和用作种子的文本说明的语义作用，并提供了一个新的包含约 600k 张图像的数据集 COCOFake。

    Apr, 2023

  • 迈向 AI 合成人脸图像的检测

    通过建立一个综合基准测试来评估最先进的检测器的泛化能力和鲁棒性，然后通过频域分析伪造痕迹来得出各种见解，并进一步证明使用频率表示训练的检测器可以很好地泛化到其他未见的生成模型。

    Feb, 2024

  • 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

  • 合成人脸图像的多通道跨模态检测

    通过使用跨媒体聚焦损失函数分析频率和可见光谱中的信息，我们提出了一种用于检测完全合成面部图像的多通道架构，并与几种使用二进制交叉熵训练的相关架构进行比较，在跨模型实验中展示了受跨媒体聚焦损失函数监督的所提出的架构通常具有最具竞争力的性能。

    Nov, 2023

  • 增量学习用于 GAN 生成图像的检测与分类

    该研究探讨了在计算机视觉和深度学习领域中，对抗生成网络（GAN）所生成的图像识别与分类中的持续性学习问题，并提出了一种基于增量学习的方法来解决这个问题。通过实验和数据集，该方法的正确性得到了验证。

    Oct, 2019

  • 在真实场景中检测卷积神经网络生成的人脸图像

    研究表明，基于 CNN 的检测方法在现实场景中的鲁棒性还不足，本研究提出了一个跨模型、跨数据和后处理评估框架，并评估了最先进的检测方法，同时还探讨了常用的图像预处理方法及人类对于 CNN 生成图像的检测表现及影响因素。

    May, 2020

  • 发现野外产生的人工智能生成面孔

    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

  • 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