Fugu-MT 論文翻訳(概要): T-GD: Transferable GAN-generated Images Detection Framework

論文の概要: T-GD: Transferable GAN-generated Images Detection Framework

arxiv url: http://arxiv.org/abs/2008.04115v1
Date: Mon, 10 Aug 2020 13:20:19 GMT
ステータス: 処理完了
システム内更新日: 2022-10-31 23:04:31.314327
Title: T-GD: Transferable GAN-generated Images Detection Framework
Title（参考訳）: T-GD:転送可能なGAN生成画像検出フレームワーク
Authors: Hyeonseong Jeon, Youngoh Bang, Junyaup Kim, and Simon S. Woo
Abstract要約: 本稿では,Transferable GAN-images Detection framework T-GDを提案する。 T-GDは教師と学生モデルから構成されており、相互に反復的に教え、評価し、検出性能を向上させることができる。学生モデルを訓練するために、音源とターゲットデータセットを混合してノイズを注入し、ウェイト変動を制約して開始点を保存する。
参考スコア（独自算出の注目度）: 16.725880610265378
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent advancements in Generative Adversarial Networks (GANs) enable the generation of highly realistic images, raising concerns about their misuse for malicious purposes. Detecting these GAN-generated images (GAN-images) becomes increasingly challenging due to the significant reduction of underlying artifacts and specific patterns. The absence of such traces can hinder detection algorithms from identifying GAN-images and transferring knowledge to identify other types of GAN-images as well. In this work, we present the Transferable GAN-images Detection framework T-GD, a robust transferable framework for an effective detection of GAN-images. T-GD is composed of a teacher and a student model that can iteratively teach and evaluate each other to improve the detection performance. First, we train the teacher model on the source dataset and use it as a starting point for learning the target dataset. To train the student model, we inject noise by mixing up the source and target datasets, while constraining the weight variation to preserve the starting point. Our approach is a self-training method, but distinguishes itself from prior approaches by focusing on improving the transferability of GAN-image detection. T-GD achieves high performance on the source dataset by overcoming catastrophic forgetting and effectively detecting state-of-the-art GAN-images with only a small volume of data without any metadata information.
Abstract（参考訳）: GAN(Generative Adversarial Networks)の最近の進歩は、非常に現実的な画像の生成を可能にし、悪意のある目的のために彼らの誤用を懸念している。 GAN生成画像(GAN-images)の検出は、基礎となるアーティファクトや特定のパターンの大幅な削減により、ますます困難になっている。このようなトレースがないことは、検出アルゴリズムがGANイメージを識別したり、他の種類のGANイメージを識別するための知識を転送することを妨げる可能性がある。本稿では,GAN-imagesを効果的に検出するための堅牢な転送可能なフレームワークであるTransferable GAN-images Detection framework T-GDを提案する。 t-gdは教師と生徒モデルで構成されており、相互に学び、評価し、検出性能を向上させることができる。まず、ソースデータセット上で教師モデルをトレーニングし、ターゲットデータセットを学習するための出発点として使用する。学習モデルのトレーニングには、ソースとターゲットデータセットを混合してノイズを注入すると同時に、重みの変動を制約して開始点を保存する。提案手法は自己学習手法であるが,GAN画像検出の伝達性の向上に着目し,従来の手法と区別する。 T-GDは、破滅的な忘れ込みを克服し、メタデータ情報のない少量のデータだけで、最先端のGAN画像を効果的に検出することで、ソースデータセット上で高いパフォーマンスを達成する。

関連論文リスト

DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
論文参考訳（メタデータ） (2024-03-20T04:58:03Z)
GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross Appearance-Edge Learning [50.7702397913573]
フォトリアリスティック・ジェネレータの急速な進歩は、真の画像と操作された画像の相違がますます不明瞭になっている臨界点に達している。公開されている顔の偽造データセットはいくつかあるが、偽造顔は主にGANベースの合成技術を用いて生成される。我々は,大規模で多様できめ細かな高忠実度データセットであるGenFaceを提案し,ディープフェイク検出の進展を促進する。
論文参考訳（メタデータ） (2024-02-03T03:13:50Z)
DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文参考訳（メタデータ） (2023-12-11T18:38:28Z)
Weakly-supervised deepfake localization in diffusion-generated images [4.548755617115687]
本稿では,Xception ネットワークをバックボーンアーキテクチャとして用いた弱教師付きローカライズ問題を提案する。本研究では,(局所スコアに基づく)最良動作検出法は,データセットやジェネレータのミスマッチよりも,より緩やかな監視に敏感であることを示す。
論文参考訳（メタデータ） (2023-11-08T10:27:36Z)
X-Transfer: A Transfer Learning-Based Framework for GAN-Generated Fake Image Detection [33.31312811230408]
顔置換などの偽画像を生成するためにGANを誤用することは、重大なセキュリティ上の懸念を引き起こす。本稿では,新しい画像検出アルゴリズムであるX-Transferを提案する。インターリーブされた並列勾配伝送を利用する2つのニューラルネットワークを利用することで、トランスファーラーニングを強化する。
論文参考訳（メタデータ） (2023-10-07T01:23:49Z)
Finding an Unsupervised Image Segmenter in Each of Your Deep Generative Models [92.92095626286223]
我々は,前景・後景画像分離に繋がる方向を求める自動手順を開発した。これらの方向を用いて、人間の監督なしに画像分割モデルを訓練する。
論文参考訳（メタデータ） (2021-05-17T19:34:24Z)
Towards Discovery and Attribution of Open-world GAN Generated Images [18.10496076534083]
本稿では,未確認のGANから生成した画像の反復的探索アルゴリズムを提案する。アルゴリズムはネットワークトレーニング,分散検出,クラスタリング,マージ,洗練といった複数のコンポーネントで構成されている。私たちの実験は、新しいganを発見し、オープンワールドのセットアップで使用できるアプローチの有効性を示しています。
論文参考訳（メタデータ） (2021-05-10T18:00:13Z)
Negative Data Augmentation [127.28042046152954]
負のデータ拡張サンプルは、データ分散のサポートに関する情報を提供することを示す。我々は、NDAを識別器の合成データの追加源として利用する新しいGAN訓練目標を提案する。実験により,本手法で訓練したモデルでは,異常検出能力の向上とともに条件付き・条件付き画像生成の改善を実現している。
論文参考訳（メタデータ） (2021-02-09T20:28:35Z)
Six-channel Image Representation for Cross-domain Object Detection [17.854940064699985]
ディープラーニングモデルはデータ駆動であり、優れたパフォーマンスは豊富で多様なデータセットに依存する。いくつかの画像から画像への翻訳技術は、モデルを訓練するために特定のシーンの偽データを生成するために用いられる。 3チャンネル画像とそのgan生成した偽画像に刺激を与え,データセットの6チャンネル表現を作成することを提案する。
論文参考訳（メタデータ） (2021-01-03T04:50:03Z)
Sparse Signal Models for Data Augmentation in Deep Learning ATR [0.8999056386710496]
ドメイン知識を取り入れ,データ集約学習アルゴリズムの一般化能力を向上させるためのデータ拡張手法を提案する。本研究では,空間領域における散乱中心のスパース性とアジムタル領域における散乱係数の滑らかな変動構造を活かし,過パラメータモデルフィッティングの問題を解く。
論文参考訳（メタデータ） (2020-12-16T21:46:33Z)
On Leveraging Pretrained GANs for Generation with Limited Data [83.32972353800633]
生成的敵ネットワーク(GAN)は、しばしば(人間によって)実際の画像と区別できない非常に現実的な画像を生成することができる。このように生成されたほとんどの画像はトレーニングデータセットには含まれておらず、GAN生成データでトレーニングセットを増強する可能性を示唆している。我々は、大規模なデータセットで事前訓練された既存のGANモデルを活用し、トランスファーラーニングの概念に従って追加の知識を導入する。限られたデータを用いた生成における提案手法の有効性を示すため, 広範囲な実験を行った。
論文参考訳（メタデータ） (2020-02-26T21:53:36Z)

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。