論文の概要: On the use of Benford's law to detect GAN-generated images

• arxiv url: http://arxiv.org/abs/2004.07682v1
• Date: Thu, 16 Apr 2020 14:42:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 22:22:17.269320
• Title: On the use of Benford's law to detect GAN-generated images
• Title（参考訳）: GAN生成画像検出におけるベンフォード法則の利用について
• Authors: Nicol\`o Bonettini, Paolo Bestagini, Simone Milani, Stefano Tubaro
• Abstract要約: GAN生成画像の悪意ある拡散は、深刻な社会的・政治的結果をもたらす可能性がある。 本稿では,ベンフォード法則を用いて自然写真からGAN生成画像を識別する可能性について検討する。
• 参考スコア（独自算出の注目度）: 26.135922093138976
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The advent of Generative Adversarial Network (GAN) architectures has given anyone the ability of generating incredibly realistic synthetic imagery. The malicious diffusion of GAN-generated images may lead to serious social and political consequences (e.g., fake news spreading, opinion formation, etc.). It is therefore important to regulate the widespread distribution of synthetic imagery by developing solutions able to detect them. In this paper, we study the possibility of using Benford's law to discriminate GAN-generated images from natural photographs. Benford's law describes the distribution of the most significant digit for quantized Discrete Cosine Transform (DCT) coefficients. Extending and generalizing this property, we show that it is possible to extract a compact feature vector from an image. This feature vector can be fed to an extremely simple classifier for GAN-generated image detection purpose.
• Abstract（参考訳）: generative adversarial network (gan) アーキテクチャの出現により、誰もが驚くほどリアルな合成画像を生成することができるようになった。 GAN生成画像の悪意ある拡散は、深刻な社会的・政治的結果(偽ニュース拡散、意見形成など)を引き起こす可能性がある。 したがって, 合成画像の広範分布を, 検出可能なソリューションの開発によって制御することが重要である。 本稿では,ベンフォード法則を用いて自然写真からGAN生成画像を識別する可能性について検討する。 ベンフォードの法則は、量子化された離散コサイン変換(DCT)係数の最も重要な桁の分布を記述する。 この特性を拡張して一般化することにより、画像からコンパクトな特徴ベクトルを抽出できることを示す。 この特徴ベクトルは、GAN生成画像検出目的のために非常に単純な分類器に供給することができる。

関連論文リスト

• Rethinking the Up-Sampling Operations in CNN-based Generative Network for Generalizable Deepfake Detection [86.97062579515833]
  我々は、アップサンプリング操作から生じる一般化された構造的アーティファクトをキャプチャし、特徴付ける手段として、NPR(Neighboring Pixel Relationships)の概念を紹介した。 tft28の異なる生成モデルによって生成されたサンプルを含む、オープンワールドデータセット上で包括的な分析を行う。 この分析は、新しい最先端のパフォーマンスを確立し、既存の手法よりも優れたtft11.6%の向上を示している。
  論文  参考訳（メタデータ） (2023-12-16T14:27:06Z)
• Intriguing properties of synthetic images: from generative adversarial networks to diffusion models [19.448196464632]
  実際の画像と偽画像を区別する上で,どの画像の特徴がより優れているかを知ることが重要である。 本稿では, 実画像と生成画像の最も法学的に関係した特徴を発見することを目的とした, 異なる家系の多数の画像生成装置の系統的研究について報告する。
  論文  参考訳（メタデータ） (2023-04-13T11:13:19Z)
• Your Diffusion Model is Secretly a Zero-Shot Classifier [90.40799216880342]
  大規模テキスト・画像拡散モデルからの密度推定をゼロショット分類に活用できることを示す。 分類に対する我々の生成的アプローチは、様々なベンチマークで強い結果が得られる。 我々の結果は、下流タスクにおける差別的モデルよりも生成的な利用に向けての一歩である。
  論文  参考訳（メタデータ） (2023-03-28T17:59:56Z)
• DIRE for Diffusion-Generated Image Detection [128.95822613047298]
  拡散再構成誤り(DIRE)という新しい表現を提案する。 DIREは、予め訓練された拡散モデルにより、入力画像とその再構成画像間の誤差を測定する。 DIREは生成されたイメージと実際のイメージを区別するためのブリッジとして機能する、というヒントを提供する。
  論文  参考訳（メタデータ） (2023-03-16T13:15:03Z)
• Traditional Classification Neural Networks are Good Generators: They are Competitive with DDPMs and GANs [104.72108627191041]
  従来のニューラルネットワーク分類器は、最先端の生成モデルに匹敵する高品質な画像を生成することができることを示す。 マスクをベースとした再構成モジュールを提案し, 意味的勾配を意識し, 可視画像の合成を行う。 また,本手法は,画像テキスト基盤モデルに関して,テキスト・画像生成にも適用可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-27T11:25:35Z)
• Pattern Detection in the Activation Space for Identifying Synthesized Content [8.365235325634876]
  GAN(Generative Adversarial Networks)は、最近、低次元ランダムノイズからのフォトリアリスティック画像合成において、前例のない成功を収めている。 高品質なコンテンツを大規模に合成する能力は、生成されたサンプルが、深刻な社会的、政治的、健康的、ビジネス上の危険をもたらす可能性のある誤情報を引き起こす可能性があるため、潜在的なリスクをもたらす。 トレーニング済みニューラルネットワークの内部層における異常なノードアクティベーションのサブセットを検出することにより、生成されたコンテンツを特定するためのSubsetGANを提案する。
  論文  参考訳（メタデータ） (2021-05-26T11:28:36Z)
• Ensembling with Deep Generative Views [72.70801582346344]
  生成モデルは、色やポーズの変化などの現実世界の変動を模倣する人工画像の「ビュー」を合成することができる。 そこで本研究では, 画像分類などの下流解析作業において, 実画像に適用できるかどうかを検討する。 StyleGAN2を再生増強の源として使用し、顔の属性、猫の顔、車を含む分類タスクについてこの設定を調査します。
  論文  参考訳（メタデータ） (2021-04-29T17:58:35Z)
• Joint Estimation of Image Representations and their Lie Invariants [57.3768308075675]
  画像は世界の状態とコンテンツの両方をエンコードする。 この情報の自動抽出は、画像表現に固有の高次元かつ絡み合った符号化のために困難である。 本稿では,これらの課題の解決を目的とした2つの理論的アプローチを紹介する。
  論文  参考訳（メタデータ） (2020-12-05T00:07:41Z)
• Optimizing Generative Adversarial Networks for Image Super Resolution via Latent Space Regularization [4.529132742139768]
  GAN(Generative Adversarial Networks)は、多様体内の実画像の分布を学習し、実際のように見えるサンプルを生成する。 本稿では,これらの問題を教師付きGANに対して緩和する方法を探究する。
  論文  参考訳（メタデータ） (2020-01-22T16:27:20Z)

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。