Aug, 2024

改善合成图像检测的泛化能力：图像变换的视角

HTML
PDF
TL;DR本研究聚焦于合成图像检测（SID）的缺陷，识别了当前训练范式中的两种偏见：削弱的伪影特征和过拟合的伪影特征。提出了一种名为SAFE的轻量级检测器，通过简单的图像变换（如裁剪、颜色抖动和随机旋转）来增强局部感知，从而在开放世界数据集上实现了新的最先进的检测性能，准确性提高4.5%。
发现论文，激发创造
  • 生成模型合成数据是否可以用于图像识别？

    本文针对最新的文本到图像生成模型产生高保真类照片的现象进行了研究，详细探讨了这些合成图像在识别任务中的可行性和应用前景，并提出了针对数据缺乏情况和大规模模型预训练的综合应用策略。

    Oct, 2022

  • 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

  • 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

  • 富贫纹理对比：一种简单而有效的AI生成图像检测方法

    通过利用图像中富质地和贫质地纹理区域之间的像素间关联差异特征，我们提出了一种能够识别广泛范围生成模型生成的假图像的新型AI生成图像检测器，并构建了一个综合的AI生成图像检测基准来评估现有基线与我们的方法的有效性。

    Nov, 2023

  • 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

  • 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

  • SIDBench：用于可靠评估合成图像检测方法的Python框架

    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。

    Apr, 2024

  • 生成式人工智能时代的合成图像验证：暂有何窍门与何需进一步完善

    该研究综述了关于合成图像的检测和归因方法，突出了它们的优点和局限性，同时指出并讨论了该领域的热门话题，概述了未来研究的有希望的方向。

    Apr, 2024

  • FakeInversion: 通过反转稳定扩散学习检测从未见过的文本图像模型生成的图像

    由于GenAI系统滥用的潜力很高，检测合成图像的任务最近备受研究界的关注。本文提出一种利用反转开源预训练的稳定扩散模型获取的特征的新型合成图像检测器。我们展示这些反转特征使得我们的检测器能够很好地泛化到高视觉保真度的未知生成器上（例如，DALL-E 3），即使该检测器仅在通过稳定扩散生成的低保真度伪图像上训练。这个检测器在多个训练和评估设置上取得了新的最先进水平。此外，我们引入了一种新的具有挑战性的评估协议，使用反向图像搜索来减轻检测器评估中的风格和主题偏见。我们展示所得的评估分数与检测器在野外的性能一致，并将这些数据集作为未来研究的公共基准发布。

    Jun, 2024

  • 合成摄影检测：识别人工智能合成图像的视觉指导

    本研究针对合成图像与真实照片的辨别问题，揭示了生成扩散模型在创建合成图像时所产生的可见伪影。我们对这些伪影进行了分类和实例展示，并讨论了检测所面临的挑战，以及本研究的实际应用和未来研究方向。

    Aug, 2024