論文の概要: Learning to Disentangle GAN Fingerprint for Fake Image Attribution

• arxiv url: http://arxiv.org/abs/2106.08749v1
• Date: Wed, 16 Jun 2021 12:50:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-17 17:21:46.692881
• Title: Learning to Disentangle GAN Fingerprint for Fake Image Attribution
• Title（参考訳）: 偽画像帰属のためのGANフィンガープリントの分散学習
• Authors: Tianyun Yang, Juan Cao, Qiang Sheng, Lei Li, Jiaqi Ji, Xirong Li, Sheng Tang
• Abstract要約: 本稿では,GAN生成画像から指紋を遠ざけるためのGFD-Netを提案する。 指紋の安定性と識別性を保証するために,一連の制約が設けられている。 我々のGFD-Netは、クローズドワールドとオープンワールドの両方のテストにおいて、優れたフェイク画像帰属性能を達成している。
• 参考スコア（独自算出の注目度）: 25.140200292000046
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rapid pace of generative models has brought about new threats to visual forensics such as malicious personation and digital copyright infringement, which promotes works on fake image attribution. Existing works on fake image attribution mainly rely on a direct classification framework. Without additional supervision, the extracted features could include many content-relevant components and generalize poorly. Meanwhile, how to obtain an interpretable GAN fingerprint to explain the decision remains an open question. Adopting a multi-task framework, we propose a GAN Fingerprint Disentangling Network (GFD-Net) to simultaneously disentangle the fingerprint from GAN-generated images and produce a content-irrelevant representation for fake image attribution. A series of constraints are provided to guarantee the stability and discriminability of the fingerprint, which in turn helps content-irrelevant feature extraction. Further, we perform comprehensive analysis on GAN fingerprint, providing some clues about the properties of GAN fingerprint and which factors dominate the fingerprint in GAN architecture. Experiments show that our GFD-Net achieves superior fake image attribution performance in both closed-world and open-world testing. We also apply our method in binary fake image detection and exhibit a significant generalization ability on unseen generators.
• Abstract（参考訳）: 生成モデルの急速なペースは、悪意のある人格化やデジタル著作権侵害などの視覚科学に新たな脅威をもたらし、偽画像の帰属を促進する。 既存のフェイク画像属性の研究は主に直接的な分類フレームワークに依存している。 追加の監視がなければ、抽出された機能は多くのコンテンツ関連コンポーネントを含み、一般化が不十分になる可能性がある。 一方、その決定を説明するための解釈可能なGAN指紋の入手方法には、未解決の問題が残る。 マルチタスク・フレームワークを採用し,gan生成画像から同時に指紋を抽出し,偽画像の帰属のためのコンテンツ非関連表現を生成するgan指紋照合ネットワーク(gfd-net)を提案する。 一連の制約により、指紋の安定性と識別性が保証され、結果として、コンテンツ無関係な特徴抽出に役立つ。 さらに,GANの指紋の特徴や,GANアーキテクチャにおいてどの因子が指紋を支配しているかについて,GANの指紋の包括的解析を行った。 我々のGFD-Netは、クローズドワールドとオープンワールドの両方のテストにおいて、優れたフェイク画像帰属性能を達成している。 また,この手法を2値の偽画像検出に適用し,未知のジェネレータに有意な一般化能力を示す。

関連論文リスト

• Robust Retraining-free GAN Fingerprinting via Personalized Normalization [21.63902009635896]
  提案手法は,ParamGen Netsの入力を変更するだけで,異なる指紋をGAN内に埋め込むことができる。 モデルレベルの攻撃と画像レベルの攻撃の両方に対するロバスト性の観点から提案手法の性能は,最先端技術よりも優れている。
  論文  参考訳（メタデータ） (2023-11-09T16:09:12Z)
• RFDforFin: Robust Deep Forgery Detection for GAN-generated Fingerprint Images [45.73061833269094]
  本稿では,GAN生成画像の独自の隆起特性と生成アーティファクトを組み合わせた指紋画像に対する最初の深部偽造検出手法を提案する。 提案手法は,低複雑性で有効かつ堅牢である。
  論文  参考訳（メタデータ） (2023-08-18T04:05:18Z)
• General GAN-generated image detection by data augmentation in fingerprint domain [3.456122013525227]
  まず,自動エンコーダを用いたGAN指紋抽出装置を用いて,GAN生成画像の指紋と内容を分離する。 元の指紋は乱れた指紋で代用され、元のコンテンツに追加され、視覚的に不変だが異なる指紋を持つ画像を生成する。 我々の知る限り、私たちはフィンガードメインでデータ拡張を行う最初の人物です。
  論文  参考訳（メタデータ） (2022-12-27T12:37:11Z)
• Comparative analysis of segmentation and generative models for fingerprint retrieval task [0.0]
  指紋は、指が汚れたり、濡れたり、怪我したり、センサーが故障したりすると、品質が低下する。 本稿では,ジェネレーティブ(GAN)とモデルを用いた深層学習手法を提案する。 本研究は, GANネットワークよりも, u-net モデルの方が優れた性能を示した。
  論文  参考訳（メタデータ） (2022-09-13T17:21:14Z)
• Hierarchical Perceptual Noise Injection for Social Media Fingerprint Privacy Protection [106.5308793283895]
  ソーシャルメディアからの指紋漏洩は 画像を匿名化したいという強い欲求を喚起します 指紋漏洩を保護するために、画像に知覚不能な摂動を加えることにより、敵攻撃が解決策として現れる。 この問題を解決するために,階層型パーセプティカルノイズ注入フレームワークであるFingerSafeを提案する。
  論文  参考訳（メタデータ） (2022-08-23T02:20:46Z)
• FIGO: Enhanced Fingerprint Identification Approach Using GAN and One Shot Learning Techniques [0.0]
  本稿では,生成逆数ネットワークとワンショット学習技術に基づく指紋識別手法を提案する。 まず,低画質の指紋画像を,指紋強調層に直接画素を向けて高レベルの指紋画像に変換するPix2Pixモデルを提案する。 第2に,指紋識別プロセスにおいて,各指紋を他の指紋と区別するために,ワンショット学習アプローチを用いた完全自動指紋特徴抽出モデルを構築した。
  論文  参考訳（メタデータ） (2022-08-11T02:45:42Z)
• A review of schemes for fingerprint image quality computation [66.32254395574994]
  本稿では,指紋画像品質計算における既存手法について概説する。 また、9000個の指紋画像を含むMCYTデータベースを用いて、それらの選択を実装し、テストし、比較する。
  論文  参考訳（メタデータ） (2022-07-12T10:34:03Z)
• A Comparative Study of Fingerprint Image-Quality Estimation Methods [54.84936551037727]
  画質の悪い画像は、突発的で欠落した特徴をもたらし、システム全体の性能を低下させる。 本稿では,指紋画像品質評価のための既存手法について概説する。 また,指紋画像品質推定アルゴリズムの選定も行った。
  論文  参考訳（メタデータ） (2021-11-14T19:53:12Z)
• Fingerprinting Image-to-Image Generative Adversarial Networks [53.02510603622128]
  Generative Adversarial Networks (GAN) は様々なアプリケーションシナリオで広く利用されている。 本稿では,信頼できる第三者に基づく画像間GANの知的保護のための新しい指紋認証方式を提案する。
  論文  参考訳（メタデータ） (2021-06-19T06:25:10Z)
• Responsible Disclosure of Generative Models Using Scalable Fingerprinting [70.81987741132451]
  深層生成モデルは質的に新しいパフォーマンスレベルを達成した。 この技術がスプーフセンサーに誤用され、ディープフェイクを発生させ、大規模な誤情報を可能にするという懸念がある。 最先端のジェネレーションモデルを責任を持って公開することで、研究者や企業がモデルに指紋を刻むことができます。
  論文  参考訳（メタデータ） (2020-12-16T03:51:54Z)

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。