論文の概要: Scientific Image Tampering Detection Based On Noise Inconsistencies: A Method And Datasets

• arxiv url: http://arxiv.org/abs/2001.07799v2
• Date: Wed, 4 Mar 2020 20:46:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-08 00:29:10.451689
• Title: Scientific Image Tampering Detection Based On Noise Inconsistencies: A Method And Datasets
• Title（参考訳）: ノイズ不整合に基づく科学的画像改ざん検出:手法とデータセット
• Authors: Ziyue Xiang, Daniel E. Acuna
• Abstract要約: 本稿では,ノイズの不整合に基づく科学的画像特異的な改ざん検出手法を提案する。 本手法は,西部のブロット画像と顕微鏡画像の新たなデータセットを用いて,本手法の訓練と試験を行う。
• 参考スコア（独自算出の注目度）: 1.2691047660244335
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scientific image tampering is a problem that affects not only authors but also the general perception of the research community. Although previous researchers have developed methods to identify tampering in natural images, these methods may not thrive under the scientific setting as scientific images have different statistics, format, quality, and intentions. Therefore, we propose a scientific-image specific tampering detection method based on noise inconsistencies, which is capable of learning and generalizing to different fields of science. We train and test our method on a new dataset of manipulated western blot and microscopy imagery, which aims at emulating problematic images in science. The test results show that our method can detect various types of image manipulation in different scenarios robustly, and it outperforms existing general-purpose image tampering detection schemes. We discuss applications beyond these two types of images and suggest next steps for making detection of problematic images a systematic step in peer review and science in general.
• Abstract（参考訳）: 科学的イメージ改ざんは、著者だけでなく研究コミュニティの一般的な認識にも影響を及ぼす問題である。 従来の研究者は自然画像の改ざんを識別する方法を開発してきたが、科学的画像には統計、形式、品質、意図が異なるため、科学的条件下では成長しない可能性がある。 そこで本研究では,様々な科学分野の学習と一般化が可能な,ノイズ不整合に基づく科学的画像特異的改ざん検出手法を提案する。 本手法は,科学における問題画像のエミュレートを目的とした,西洋ブロックと顕微鏡画像を用いた新しいデータセットを訓練し,検証する。 実験の結果,提案手法は様々なシナリオにおける様々な画像操作を頑健に検出でき,既存の汎用画像改ざん検出手法よりも優れていることがわかった。 本稿では,これらの2種類の画像を超える応用について論じ,問題画像の検出をピアレビューと科学全般の体系的なステップとする次のステップを提案する。

関連論文リスト

• Semi-Truths: A Large-Scale Dataset of AI-Augmented Images for Evaluating Robustness of AI-Generated Image detectors [62.63467652611788]
  実画像27,600枚、223,400枚、AI拡張画像1,472,700枚を含むSEMI-TRUTHSを紹介する。 それぞれの画像には、検出器のロバスト性の標準化と目標評価のためのメタデータが添付されている。 以上の結果から,現状の検出器は摂動の種類や程度,データ分布,拡張方法に様々な感度を示すことが示唆された。
  論文  参考訳（メタデータ） (2024-11-12T01:17:27Z)
• Semantic Contextualization of Face Forgery: A New Definition, Dataset, and Detection Method [77.65459419417533]
  我々は,顔フォージェリを意味的文脈に配置し,意味的顔属性を変更する計算手法が顔フォージェリの源であることを定義した。 階層的なグラフで整理されたラベルの集合に各画像が関連付けられている大規模な顔偽画像データセットを構築した。 本稿では,ラベル関係を捕捉し,その優先課題を優先するセマンティクス指向の顔偽造検出手法を提案する。
  論文  参考訳（メタデータ） (2024-05-14T10:24:19Z)
• Deep Image Restoration For Image Anti-Forensics [0.0]
  JPEG圧縮、ぼかし、ノイズ付けは、長い間、反法医学に使われてきた。 偽画像の検出を困難にし、深部画像偽画像検出モデルのトレーニングにデータ拡張に使用される。 これらの痕跡を検出するために、別の画像鑑定法も開発されている。 本研究では, 深部画像復元モデルを用いて, さらに一歩進めて, 画質の向上を図る。
  論文  参考訳（メタデータ） (2024-05-04T20:49:06Z)
• Detecting Generated Images by Real Images Only [64.12501227493765]
  既存の画像検出手法は、生成画像中の視覚的アーティファクトを検出したり、大規模なトレーニングによって、実画像と生成画像の両方から識別的特徴を学習する。 本稿では,新たな視点から生成した画像検出問題にアプローチする。 実画像の共通性を見つけ、特徴空間内の密接な部分空間にマッピングすることで、生成した画像は生成モデルに関係なくサブ空間の外側に投影される。
  論文  参考訳（メタデータ） (2023-11-02T03:09:37Z)
• ObjectFormer for Image Manipulation Detection and Localization [118.89882740099137]
  画像操作の検出とローカライズを行うObjectFormerを提案する。 画像の高周波特徴を抽出し,マルチモーダルパッチの埋め込みとしてRGB特徴と組み合わせる。 各種データセットについて広範な実験を行い,提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2022-03-28T12:27:34Z)
• Learning to identify image manipulations in scientific publications [37.6933210164122]
  本稿では,画像処理とディープラーニングを併用して,記事中の画像を重複あるいは重複しないものとして分類するフレームワークを提案する。 提案手法により, 重複画像の検出精度が90%向上し, 検出精度が13%向上した。
  論文  参考訳（メタデータ） (2021-02-03T04:47:34Z)
• Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
  注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。 本稿では,生成逆U-Netという新しい生成手法を提案する。 当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
  論文  参考訳（メタデータ） (2021-01-12T23:02:26Z)
• Improving Object Detection with Selective Self-supervised Self-training [62.792445237541145]
  本研究では,Web画像を利用した人為的対象検出データセットの強化について検討する。 画像と画像の検索によりWebイメージを検索し、他の検索手法に比べて、キュレートされたデータからのドメインシフトが少なくなる。 画像分類のためのラベルのないデータを探索する2つの並列処理をモチベーションとした新しい学習手法を提案する。
  論文  参考訳（メタデータ） (2020-07-17T18:05:01Z)
• Learning Numerical Observers using Unsupervised Domain Adaptation [13.548174682737756]
  医用イメージングシステムは、客観的な画質測定によって一般的に評価される。 タスクベース画像品質評価のための数値オブザーバを実装するために,改良されたディープラーニング手法が検討されている。 大量の実験データをラベル付けして、ディープニューラルネットワークを訓練するのは、面倒で、高価で、主観的エラーの傾向があります。
  論文  参考訳（メタデータ） (2020-02-03T22:58:28Z)
• Fabricated Pictures Detection with Graph Matching [0.36832029288386137]
  研究作業における実験画像の作成は、重大な学術的不正行為である。 グラフマッチング技術を用いて、類似した、あるいは、おそらく製造された画像を検出するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-01-16T12:29:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。