論文の概要: TransForensics: Image Forgery Localization with Dense Self-Attention

• arxiv url: http://arxiv.org/abs/2108.03871v1
• Date: Mon, 9 Aug 2021 08:43:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-11 01:09:14.744022
• Title: TransForensics: Image Forgery Localization with Dense Self-Attention
• Title（参考訳）: transforensics: 密着した自己着脱を伴う画像偽造
• Authors: Jing Hao and Zhixin Zhang and Shicai Yang and Di Xie and Shiliang Pu
• Abstract要約: TransForensicsはトランスフォーマーにインスパイアされた新しい画像フォージェリローカライゼーション手法である。 フレームワークの主要な2つのコンポーネントは、密集自己アテンションエンコーダと密集補正モジュールである。 主要なベンチマーク実験により、TransForensicsは最先端の手法よりも大きなマージンで優れていることを示す。
• 参考スコア（独自算出の注目度）: 37.2172540238706
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nowadays advanced image editing tools and technical skills produce tampered images more realistically, which can easily evade image forensic systems and make authenticity verification of images more difficult. To tackle this challenging problem, we introduce TransForensics, a novel image forgery localization method inspired by Transformers. The two major components in our framework are dense self-attention encoders and dense correction modules. The former is to model global context and all pairwise interactions between local patches at different scales, while the latter is used for improving the transparency of the hidden layers and correcting the outputs from different branches. Compared to previous traditional and deep learning methods, TransForensics not only can capture discriminative representations and obtain high-quality mask predictions but is also not limited by tampering types and patch sequence orders. By conducting experiments on main benchmarks, we show that TransForensics outperforms the stateof-the-art methods by a large margin.
• Abstract（参考訳）: 最近の高度な画像編集ツールや技術技術は、改ざんされた画像をよりリアルに生成し、画像法医学システムを容易に回避し、画像の真正性検証を困難にする。 この課題に対処するために,トランスフォーマーにインスパイアされた新しい画像フォージェリローカライゼーション手法であるTransForensicsを導入する。 フレームワークの主要な2つのコンポーネントは、密集自己アテンションエンコーダと密集補正モジュールである。 前者はグローバルコンテキストと異なるスケールでのローカルパッチ間のすべてのペアワイズインタラクションをモデル化することであり、後者は隠れたレイヤの透明性を改善し、異なるブランチからの出力を修正するために使用される。 従来の学習法や深層学習法と比較して、TransForensicsは識別表現をキャプチャし、高品質なマスク予測を得るだけでなく、型やパッチシーケンス順序の調整によって制限される。 主要なベンチマーク実験により、TransForensicsは最先端の手法よりも大きなマージンで優れていることを示す。

関連論文リスト

• Progressive Feedback-Enhanced Transformer for Image Forgery Localization [3.765051882812805]
  本稿では,プログレッシブフィードbACkエンハンストランスフォーマー(ProFact)ネットワークを提案する。 実世界の法医学的シナリオに近い大規模な画像サンプルを自動的に生成する効果的な手法を提案する。 提案するローカライザは,画像フォージェリーのローカライゼーション能力とロバスト性において,最先端のローカライザを大きく上回っている。
  論文  参考訳（メタデータ） (2023-11-15T12:31:43Z)
• Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
  ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。 既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。 本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-07-31T10:22:33Z)
• MaskSketch: Unpaired Structure-guided Masked Image Generation [56.88038469743742]
  MaskSketchは、サンプリング中の余分な条件信号としてガイドスケッチを使用して生成結果の空間的条件付けを可能にする画像生成方法である。 マスク付き生成変換器の中間自己アテンションマップが入力画像の重要な構造情報を符号化していることを示す。 以上の結果から,MaskSketchは誘導構造に対する高画像リアリズムと忠実性を実現する。
  論文  参考訳（メタデータ） (2023-02-10T20:27:02Z)
• TruFor: Leveraging all-round clues for trustworthy image forgery detection and localization [17.270110456445806]
  TruForは、さまざまなイメージ操作方法に適用可能な、法医学的なフレームワークである。 変換器をベースとした融合アーキテクチャにより,高レベルのトレースと低レベルのトレースの両方を抽出する。 当社の手法は,安価なフェイクとディープフェイク操作の両方を確実に検出し,ローカライズすることができる。
  論文  参考訳（メタデータ） (2022-12-21T11:49:43Z)
• Shrinking the Semantic Gap: Spatial Pooling of Local Moment Invariants for Copy-Move Forgery Detection [7.460203098159187]
  Copy-move forgeryは、特定のパッチをコピー&ペーストして画像に貼り付ける操作で、潜在的に違法または非倫理的使用がある。 コピー・ムーブ・フォージェリーの法医学的手法の進歩は,検出精度とロバスト性の向上に寄与している。 自己相似性が高い画像や強い信号の破損のある画像の場合、既存のアルゴリズムはしばしば非効率なプロセスと信頼性の低い結果を示す。
  論文  参考訳（メタデータ） (2022-07-19T09:11:43Z)
• Splicing Detection and Localization In Satellite Imagery Using Conditional GANs [26.615687071827576]
  本稿では,衛星画像中のスプリケートされた偽物を特定するために,条件付き生成支援ネットワーク(cGAN)の利用について述べる。 本手法は,これらの検出と位置決めの目的において高い成功を収める。
  論文  参考訳（メタデータ） (2022-05-03T22:25:48Z)
• A Hierarchical Transformation-Discriminating Generative Model for Few Shot Anomaly Detection [93.38607559281601]
  各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。 この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
  論文  参考訳（メタデータ） (2021-04-29T17:49:48Z)
• 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)
• Swapping Autoencoder for Deep Image Manipulation [94.33114146172606]
  画像操作に特化して設計されたディープモデルであるSwapping Autoencoderを提案する。 キーとなるアイデアは、2つの独立したコンポーネントで画像をエンコードし、交換された組み合わせをリアルなイメージにマップするように強制することだ。 複数のデータセットの実験により、我々のモデルはより良い結果が得られ、最近の生成モデルと比較してかなり効率が良いことが示されている。
  論文  参考訳（メタデータ） (2020-07-01T17:59:57Z)
• Learning Transformation-Aware Embeddings for Image Forensics [15.484408315588569]
  Image Provenance Analysisは、コンテンツを共有するさまざまな操作されたイメージバージョン間の関係を見つけることを目的としている。 証明分析のための主要なサブプロブレムの1つは、完全なコンテンツを共有したり、ほぼ重複している画像の編集順序である。 本稿では,1つの画像から生成した画像に対して,変換を通じて妥当な順序付けを行うための,新しい深層学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-13T22:01:24Z)

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。