論文の概要: CycleGAN without checkerboard artifacts for counter-forensics of
fake-image detection
- arxiv url: http://arxiv.org/abs/2012.00287v1
- Date: Tue, 1 Dec 2020 06:08:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-30 19:36:25.007959
- Title: CycleGAN without checkerboard artifacts for counter-forensics of
fake-image detection
- Title(参考訳): 偽画像検出法に対するチェッカーボードのないCycleGAN
- Authors: Takayuki Osakabe, Miki Tanaka, Yuma Kinoshita, Hitoshi Kiya
- Abstract要約: GAN(Generative Adversarial Networks)は、容易に偽画像を生成する。
ほとんどの最先端の偽造検出方法は、画像にはチェッカーボードのアーティファクトが含まれていると仮定している。
そこで本研究では,疑似マージ検出手法の正当性判定のためのチェッカーボードのアーティファクトを含まない新しいCycleGANを提案する。
- 参考スコア(独自算出の注目度): 17.549208519206605
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose a novel CycleGAN without checkerboard artifacts for
counter-forensics of fake-image detection. Recent rapid advances in image
manipulation tools and deep image synthesis techniques, such as Generative
Adversarial Networks (GANs) have easily generated fake images, so detecting
manipulated images has become an urgent issue. Most state-of-the-art forgery
detection methods assume that images include checkerboard artifacts which are
generated by using DNNs. Accordingly, we propose a novel CycleGAN without any
checkerboard artifacts for counter-forensics of fake-mage detection methods for
the first time, as an example of GANs without checkerboard artifacts.
- Abstract(参考訳): 本稿では,偽画像検出のカウンターフォリシスのためのチェッカーボードアーティファクトを持たない新しいサイクガンを提案する。
近年,画像操作ツールの急速な進歩と,gan(generative adversarial network)などの深層画像合成技術がフェイク画像を容易に生成しているため,操作画像の検出が急務となっている。
多くの最先端の偽造検出手法では、画像にはDNNを用いて生成されたチェッカーボードアーティファクトが含まれていると仮定している。
そこで本研究では,チェックボードを伴わないganの例として,フェイクメージ検出手法の反フォリシスのためのチェッカーボードアーティファクトを含まない新しいサイクガンを提案する。
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) - Perceptual Artifacts Localization for Image Synthesis Tasks [59.638307505334076]
我々は10,168個の画像からなる新しいデータセットを導入し,それぞれに知覚的アーティファクトラベルを付加した。
提案したデータセットに基づいてトレーニングされたセグメンテーションモデルは、さまざまなタスクにまたがるアーティファクトを効果的にローカライズする。
生成した画像の知覚的アーティファクトをシームレスに修正する,革新的なズームイン・インペインティングパイプラインを提案する。
論文 参考訳(メタデータ) (2023-10-09T10:22:08Z) - Tree-Ring Watermarks: Fingerprints for Diffusion Images that are
Invisible and Robust [55.91987293510401]
生成モデルのアウトプットを透かしは、著作権をトレースし、AI生成コンテンツによる潜在的な害を防ぐ重要なテクニックである。
本稿では,拡散モデル出力を頑健にフィンガープリントするTree-Ring Watermarkingという新しい手法を提案する。
私たちの透かしは画像空間に意味的に隠れており、現在デプロイされている透かしよりもはるかに堅牢です。
論文 参考訳(メタデータ) (2023-05-31T17:00:31Z) - DocMAE: Document Image Rectification via Self-supervised Representation
Learning [144.44748607192147]
文書画像修正のための新しい自己教師型フレームワークDocMAEを提案する。
まず、背景を除いた文書画像のランダムなパッチをマスクし、欠落したピクセルを再構成する。
このような自己教師型学習手法により、ネットワークは変形文書の本質的な構造を学習することが奨励される。
論文 参考訳(メタデータ) (2023-04-20T14:27:15Z) - Misleading Deep-Fake Detection with GAN Fingerprints [14.459389888856412]
敵は、生成した画像の周波数スペクトルから直接、表現的アーティファクトであるGAN指紋を除去できることを示す。
以上の結果から,敵対者がしばしばGAN指紋を除去し,生成画像の検出を回避できることが示唆された。
論文 参考訳(メタデータ) (2022-05-25T07:32:12Z) - Seamless Copy Move Manipulation in Digital Images [0.6445605125467573]
提案手法は文献からの2つの周波数領域の偽造検出手法による検出に優れた抵抗性を示す。
本研究の目的は、偽造を作成し、悪意のある偽造者に対して堅牢な偽造検出方法を作成する必要性を強調することである。
論文 参考訳(メタデータ) (2021-10-12T05:35:26Z) - Fake-image detection with Robust Hashing [0.0]
画像に複数の操作技術を適用した場合でも、ロバストハッシュが偽画像を堅牢に検出できるかどうかを検討する。
実験では、GANで生成された偽画像を含むさまざまなデータセットを用いて、ロバストハッシュによる偽検出が最先端のものよりも優れていることを示した。
論文 参考訳(メタデータ) (2021-02-02T05:10:37Z) - Identifying Invariant Texture Violation for Robust Deepfake Detection [17.306386179823576]
Invariant Texture Learning frameworkは,低画質で公開されたデータセットにのみアクセスすることができる。
本手法は, 被写体から転写したテクスチャによって, 被写体表面の微視的顔のテクスチャが必然的に侵害されることを前提とした。
論文 参考訳(メタデータ) (2020-12-19T03:02:15Z) - D-Unet: A Dual-encoder U-Net for Image Splicing Forgery Detection and
Localization [108.8592577019391]
画像スプライシング偽造検出は、画像指紋によって改ざんされた領域と非改ざんされた領域を区別するグローバルバイナリ分類タスクである。
画像スプライシングフォージェリ検出のためのデュアルエンコーダU-Net(D-Unet)という,固定されていないエンコーダと固定エンコーダを用いた新しいネットワークを提案する。
D-Unetと最先端技術の比較実験において、D-Unetは画像レベルおよび画素レベルの検出において他の手法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-03T10:54:02Z) - What makes fake images detectable? Understanding properties that
generalize [55.4211069143719]
深層ネットワークは、博士画像の微妙なアーティファクトを拾い上げることができる。
我々は、偽画像のどの特性が検出可能かを理解することを模索する。
検出可能な特性を誇張する手法を示す。
論文 参考訳(メタデータ) (2020-08-24T17:50:28Z) - FDFtNet: Facing Off Fake Images using Fake Detection Fine-tuning Network [19.246576904646172]
本稿では,FaketNetと呼ばれる,軽量な微調整ニューラルネットワークアーキテクチャを提案する。
提案手法は,偽画像の検出を効果的に行うための微調整のために,数枚の画像のみを用いて,人気のある事前学習モデルを再利用することを目的としている。
我々の tNet は GANs ベースのデータセットから生成された偽画像の総合的精度 9029% を達成する。
論文 参考訳(メタデータ) (2020-01-05T16:04:17Z)
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。