論文の概要: A Closer Look at Fourier Spectrum Discrepancies for CNN-generated Images
Detection
- arxiv url: http://arxiv.org/abs/2103.17195v1
- Date: Wed, 31 Mar 2021 16:24:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-01 18:59:11.052882
- Title: A Closer Look at Fourier Spectrum Discrepancies for CNN-generated Images
Detection
- Title（参考訳）: CNN生成画像検出におけるフーリエスペクトルの類似性について
- Authors: Keshigeyan Chandrasegaran, Ngoc-Trung Tran, Ngai-Man Cheung
- Abstract要約: CNNベースの生成モデリングは、RGBピクセル空間の実際の画像から区別できない合成画像を生成するために進化しました。
最近の研究では、cnnが生成する画像は、高周波フーリエスペクトル減衰特性を複製する体系的な欠点を共有している。
これらの研究は、CNNが生成した画像を99%の精度で検出するために、この体系的な欠点をうまく利用した。
- 参考スコア（独自算出の注目度）: 37.021565597271795
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: CNN-based generative modelling has evolved to produce synthetic images
indistinguishable from real images in the RGB pixel space. Recent works have
observed that CNN-generated images share a systematic shortcoming in
replicating high frequency Fourier spectrum decay attributes. Furthermore,
these works have successfully exploited this systematic shortcoming to detect
CNN-generated images reporting up to 99% accuracy across multiple
state-of-the-art GAN models.
In this work, we investigate the validity of assertions claiming that
CNN-generated images are unable to achieve high frequency spectral decay
consistency. We meticulously construct a counterexample space of high frequency
spectral decay consistent CNN-generated images emerging from our handcrafted
experiments using DCGAN, LSGAN, WGAN-GP and StarGAN, where we empirically show
that this frequency discrepancy can be avoided by a minor architecture change
in the last upsampling operation. We subsequently use images from this
counterexample space to successfully bypass the recently proposed forensics
detector which leverages on high frequency Fourier spectrum decay attributes
for CNN-generated image detection.
Through this study, we show that high frequency Fourier spectrum decay
discrepancies are not inherent characteristics for existing CNN-based
generative models--contrary to the belief of some existing work--, and such
features are not robust to perform synthetic image detection. Our results
prompt re-thinking of using high frequency Fourier spectrum decay attributes
for CNN-generated image detection. Code and models are available at
https://keshik6.github.io/Fourier-Discrepancies-CNN-Detection/
- Abstract（参考訳）: CNNベースの生成モデリングは、RGBピクセル空間の実際の画像と区別できない合成画像を生成するために進化してきた。
最近の研究では、cnnが生成する画像は、高周波フーリエスペクトル減衰特性を複製する体系的な欠点を共有している。
さらに、これらの研究は、複数の最先端GANモデルに対して最大99%の精度を報告したCNN生成画像を検出するために、この体系的な欠点をうまく活用している。
本研究では,CNN生成画像が高周波スペクトル減衰一貫性を達成できないと主張するアサーションの有効性を検討する。
我々は,dcgan,lsgan,wgan-gp,starganを用いた手作り実験から得られた,高周波スペクトル減衰一貫性cnn生成画像の反例空間を細心の注意を払って構築した。
その後,この反例空間の画像を用いて,cnn生成画像検出のための高周波フーリエスペクトル減衰特性を利用した最近提案された鑑識検出器をバイパスすることに成功した。
本研究では, 既存のCNNに基づく生成モデルにおいて, 高頻度フーリエスペクトルの減衰差は固有の特性ではなく, 既存の作業の信念とは対照的であり, 合成画像検出を行うには頑健ではないことを示す。
この結果から,CNN生成画像検出に高周波フーリエスペクトル減衰特性を用いて再検討した。
コードとモデルはhttps://keshik6.github.io/Fourier-Discrepancies-CNN-Detection/で公開されている。
関連論文リスト
- Frequency-Aware Deepfake Detection: Improving Generalizability through
Frequency Space Learning [81.98675881423131]
この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。
既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。
本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
論文 参考訳（メタデータ） (2024-03-12T01:28:00Z) - Spectrum Translation for Refinement of Image Generation (STIG) Based on
Contrastive Learning and Spectral Filter Profile [15.5188527312094]
生成した画像の周波数領域における相違を緩和する枠組みを提案する。
これは、コントラスト学習に基づく画像生成(STIG)の洗練のためのスペクトル変換によって実現される。
我々は,STIGの有効性を実証するために,8つのフェイク画像データセットと様々な最先端モデルにまたがるフレームワークの評価を行った。
論文 参考訳（メタデータ） (2024-03-08T06:39:24Z) - A Frequency-Velocity CNN for Developing Near-Surface 2D Vs Images from
Linear-Array, Active-Source Wavefield Measurements [0.0]
地中物質を高速かつ非侵襲的に2次元せん断波速度(Vs)画像化するための周波数速度畳み込みニューラルネットワーク(CNN)を提案する。
周波数-速度領域で操作することで、線形アレイ、アクティブソースの実験的な設定で大きな柔軟性が得られる。
論文 参考訳（メタデータ） (2022-07-19T22:48:43Z) - Simpler is better: spectral regularization and up-sampling techniques
for variational autoencoders [1.2234742322758418]
ニューラルネットワークに基づく生成モデルのスペクトル挙動のキャラクタリゼーションは未解決のままである。
最近の研究は、生成的対向ネットワークと、実画像と生成画像の高周波の相違に重点を置いている。
変分オートエンコーダ(VAE)のための単純な2次元フーリエ変換に基づくスペクトル正規化損失を提案する。
論文 参考訳（メタデータ） (2022-01-19T11:49:57Z) - Classification of diffraction patterns using a convolutional neural
network in single particle imaging experiments performed at X-ray
free-electron lasers [53.65540150901678]
X線自由電子レーザー(XFEL)における単一粒子イメージング(SPI)は、その自然環境における粒子の3次元構造を決定するのに特に適している。
再建を成功させるためには、単一のヒットに由来する回折パターンを多数の取得パターンから分離する必要がある。
本稿では,この課題を画像分類問題として定式化し,畳み込みニューラルネットワーク(CNN)アーキテクチャを用いて解決することを提案する。
論文 参考訳（メタデータ） (2021-12-16T17:03:14Z) - SpectralFormer: Rethinking Hyperspectral Image Classification with
Transformers [91.09957836250209]
ハイパースペクトル(HS)画像は、ほぼ連続したスペクトル情報によって特徴づけられる。
CNNは、HS画像分類において強力な特徴抽出器であることが証明されている。
我々は、HS画像分類のためのulSpectralFormerと呼ばれる新しいバックボーンネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-07T02:59:21Z) - Beyond the Spectrum: Detecting Deepfakes via Re-Synthesis [69.09526348527203]
ディープフェイク(Deepfakes)として知られる非常に現実的なメディアは、現実の目から人間の目まで区別できない。
本研究では,テスト画像を再合成し,検出のための視覚的手がかりを抽出する,新しい偽検出手法を提案する。
種々の検出シナリオにおいて,提案手法の摂動に対する有効性の向上,GANの一般化,堅牢性を示す。
論文 参考訳（メタデータ） (2021-05-29T21:22:24Z) - Spectral Distribution Aware Image Generation [11.295032417617456]
フォトリアリスティック画像の深部生成モデルは、人間の目で実際の画像と容易に区別できない。
スペクトル判別器を用いて実データの周波数分布に応じて画像を生成することを提案する。
この結果から,実際の周波数スペクトルによる画像生成がより容易であり,検出が困難であることが示唆された。
論文 参考訳（メタデータ） (2020-12-05T19:46:48Z) - On the Performance of Convolutional Neural Networks under High and Low
Frequency Information [13.778851745408133]
画像の高周波・低周波情報に対するCNNモデルの性能について検討する。
トレーニング中のフィルタリングに基づくデータ拡張を提案する。
堅牢性と低周波の一般化の観点から,良好な性能向上が観察されている。
論文 参考訳（メタデータ） (2020-10-30T17:54:45Z) - Deep learning for gravitational-wave data analysis: A resampling
white-box approach [62.997667081978825]
我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。
CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
論文 参考訳（メタデータ） (2020-09-09T03:28:57Z)
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。