- 媒体取证与深伪造系统综述
这篇综述论文讨论了 Deepfake 技术的方法和应用,包括面部操纵、深度学习、伪造检测技术和虚假图像的识别。
- FakeBench:用大型多模型揭示伪造图片的致命弱点
利用人工智能技术生成的虚假图像与真实图像已经变得难以区分,对于虚假图像检测模型带来了新的挑战。为此,我们提出了 FakeBench,这是首个透明的虚假图像检测基准,包括带有人类语言描述的伪造迹象的虚假图像。我们构建了包括 6k 个多样化来源 - 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。
- 基于再生的无需训练的文本图像生成模型伪造图像的归因
通过反转图像的文本提示并将重构的提示放入不同的候选模型中来重新生成候选伪图片,通过计算并排序测试图片与候选图片的相似性,我们可以确定图片的来源模型,从而使模型的所有者对其模型的任何滥用负有责任。
- 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。
- 探索基于预训练视觉转换器的自然图像和生成图像检测系统的公平性,并理解图像压缩对公平性的影响
探索基于转换器的图像鉴定算法中的公平性和模型偏差。
- 利用低质量样本提升连续条件生成对抗网络
连续条件生成对抗网络(CcGANs)是在连续标量变量(称为回归标签)的条件下进行生成建模的,但由于训练数据有限,可能会产生低质量的假图像。本研究通过引入异常数据增强方法(NDA),特意针对 CcGANs 提出了一种名为 Dual-NDA 的 - GenImage:用于检测人工智能生成图像的百万级基准测试
该论文介绍了 GenImage 数据集,该数据集拥有超过 100 万对人工智能生成的假图像和真实图像,且具有丰富的图像内容和最先进的生成器,通过该数据集,研究人员可以有效加快相对于现有方法的优越人工智能生成图像检测器的开发和评估。
- 即时宠物疗法:用 GAN 生成的图像制作治疗性社交媒体内容
使用基于生成对抗网络的框架生成虚假宠物图像,并在 Instagram 上发布,这些虚假图像产生了与传统宠物照片账号相当的用户参与度,强调了该框架可用于宠物疗法社交媒体内容的应用性。
- 合成图像的有趣特性:从生成对抗网络到扩散模型
本研究通过对各种不同类型图像生成器的系统研究,探寻真实与虚假图像之间最具法医学意义的特征,发现合成图像中出现了可见的傅里叶域信号缺陷,以及自相关中出现的异常规律图案,并且当用于训练模型的数据集缺乏足够的多样性时,其偏见会转移到生成的图像中, - GAN 生成的面孔检测:综述和新视角
通过分析当前 GAN 人脸检测的研究方向和方法,本文对深度学习、物理学、生理学以及与人类视觉性能的评估和比较等方法进行了分类,总结出不同类别的关键思路并与其具体实现相联系,讨论了存在的问题并提出了未来研究方向。
- 如何检测出伪造图片?理解具有一般性质的特征
通过研究伪造图像的特殊属性,本文提出了一种可以更容易地检测到伪造图像的基于补丁分类器,并演示了即使图像生成器进行对抗性微调,仍然存在可检测的伪造图像噪点的技术。
- 通过脚本编写检测 Photoshop 合成人脸
通过自动生成的虚假图像,应用自动脚本在完全训练的模型内,检测出一种非常流行的 Photoshop 操作 — 在人脸上应用图像扭曲 — 我们显示,我们的模型在识别操作的任务上优于人类,可以预测修改的具体位置,并且在某些情况下可以用于 “撤消”