Fugu-MT 論文翻訳(概要): [RE] CNN-generated images are surprisingly easy to spot...for now

論文の概要: [RE] CNN-generated images are surprisingly easy to spot...for now

arxiv url: http://arxiv.org/abs/2104.02984v1
Date: Wed, 7 Apr 2021 08:26:35 GMT
ステータス: 処理完了
システム内更新日: 2021-04-08 20:24:13.320302
Title: [RE] CNN-generated images are surprisingly easy to spot...for now
Title（参考訳）: CNNが生成した画像は驚くほど簡単に見つけられる...今のところ
Authors: Joel Frank, Thorsten Holz
Abstract要約: この研究は、Wangらによる論文「CNN生成画像は驚くほど簡単に発見できる」を評価している。 CVPR 2020にて発表。論文は、人間を騙す可能性さえあるCNN生成画像を検出するという課題に対処する。
参考スコア（独自算出の注目度）: 28.533705489449336
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This work evaluates the reproducibility of the paper "CNN-generated images are surprisingly easy to spot... for now" by Wang et al. published at CVPR 2020. The paper addresses the challenge of detecting CNN-generated imagery, which has reached the potential to even fool humans. The authors propose two methods which help an image classifier to generalize from being trained on one specific CNN to detecting imagery produced by unseen architectures, training methods, or data sets. The paper proposes two methods to help a classifier generalize: (i) utilizing different kinds of data augmentations and (ii) using a diverse data set. This report focuses on assessing if these techniques indeed help the generalization process. Furthermore, we perform additional experiments to study the limitations of the proposed techniques.
Abstract（参考訳）: この研究は、Wangらによる論文「CNN生成画像は驚くほど簡単に発見できる」の再現性を評価する。 CVPR 2020で発表。論文は、人間を騙す可能性さえあるCNN生成画像を検出するという課題に対処する。筆者らは,画像分類器が1つの特定のcnn上でのトレーニングから,未知のアーキテクチャやトレーニング方法,データセットによって生成された画像の検出まで一般化するのに役立つ2つの手法を提案する。本稿では,分類器を一般化するための2つの手法を提案する。 (i) 異なるデータ拡張の活用と (ii) 多様なデータセットの利用である。本報告は,これらの技術が一般化プロセスに役立つかどうかを評価することに焦点を当てる。さらに,提案手法の限界を検討するための追加実験を行った。

関連論文リスト

CricaVPR: Cross-image Correlation-aware Representation Learning for Visual Place Recognition [73.51329037954866]
視覚的位置認識のための画像間相関認識を用いたロバストなグローバル表現手法を提案する。本手法では,バッチ内の複数の画像の相関にアテンション機構を用いる。本手法は,訓練時間を大幅に短縮し,最先端の手法よりも優れた性能を示す。
論文参考訳（メタデータ） (2024-02-29T15:05:11Z)
Individualized Deepfake Detection Exploiting Traces Due to Double Neural-Network Operations [32.33331065408444]
既存のディープフェイク検出器は、画像が特定かつ識別可能な個人と関連付けられている場合、この検出タスクに最適化されない。本研究では,個々の人物の顔画像のディープフェイク検出に焦点を当てた。ニューラルネットワークのイデオロシティ特性を利用して検出性能を向上できることを実証する。
論文参考訳（メタデータ） (2023-12-13T10:21:00Z)
Detecting Out-of-Context Image-Caption Pairs in News: A Counter-Intuitive Method [3.2584287815395174]
本稿では、生成画像モデルを用いて、ニュースにおける画像キャプチャペアの使用状況(OOC)を検出する手法を提案する。 2つの異なる生成モデルを用いて、合計6800ドルの画像を生成する2つの新しいデータセットを提示する。本稿では,本手法が,安価なフェイク検出分野における生成モデルをさらに研究できると確信している。
論文参考訳（メタデータ） (2023-08-31T10:16:59Z)
Detecting GAN-generated Images by Orthogonal Training of Multiple CNNs [18.3198215837364]
本稿では,畳み込みニューラルネットワーク(CNN)のアンサンブルに基づく合成画像の検出手法を提案する。実験の結果、これらの2つのアイデアを追求することで、NVIDIAが新たに生成したStyleGAN3イメージの検出精度が向上し、トレーニングには使用されないことが示された。
論文参考訳（メタデータ） (2022-03-04T11:29:28Z)
Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or Something Else? [93.91375268580806]
政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
論文参考訳（メタデータ） (2021-11-09T13:30:34Z)
Learning Co-segmentation by Segment Swapping for Retrieval and Discovery [67.6609943904996]
この研究の目的は、一対のイメージから視覚的に類似したパターンを効率的に識別することである。画像中のオブジェクトセグメントを選択し、それを別の画像にコピーペーストすることで、合成トレーニングペアを生成する。提案手法は,Brueghelデータセット上でのアートワークの詳細検索に対して,明確な改善をもたらすことを示す。
論文参考訳（メタデータ） (2021-10-29T16:51:16Z)
Segmentation of Roads in Satellite Images using specially modified U-Net CNNs [0.0]
本研究の目的は,道路画像の特定を行う都市景観の衛星画像の分類器を構築することである。従来のコンピュータビジョンアルゴリズムとは異なり、畳み込みニューラルネットワーク(CNN)はこのタスクに対して正確で信頼性の高い結果を提供する。
論文参考訳（メタデータ） (2021-09-29T19:08:32Z)
Image Restoration by Deep Projected GSURE [115.57142046076164]
Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
論文参考訳（メタデータ） (2021-02-04T08:52:46Z)
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)
This is not the Texture you are looking for! Introducing Novel Counterfactual Explanations for Non-Experts using Generative Adversarial Learning [59.17685450892182]
反実用説明システムは、入力画像を変更して反実用推論を可能にする。本稿では, 対向画像から画像への変換技術に基づく, 対向画像の説明を新たに生成する手法を提案する。その結果,我々のアプローチは,2つの最先端技術システムよりも,メンタルモデル,説明満足度,信頼度,感情,自己効力に関して有意に優れた結果をもたらすことがわかった。
論文参考訳（メタデータ） (2020-12-22T10:08:05Z)
Detecting CNN-Generated Facial Images in Real-World Scenarios [15.755089410308647]
本研究では,実環境下での検出手法を評価するためのフレームワークを提案する。また,提案フレームワークを用いた最先端検出手法の評価を行った。この結果から,CNNに基づく検出手法は実世界のシナリオで使用するには不十分であることが示唆された。
論文参考訳（メタデータ） (2020-05-12T09:18:28Z)

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。