論文の概要: Self-supervised GAN Detector
- arxiv url: http://arxiv.org/abs/2111.06575v1
- Date: Fri, 12 Nov 2021 06:19:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-15 21:14:39.348038
- Title: Self-supervised GAN Detector
- Title(参考訳): 自己監督型GAN検出器
- Authors: Yonghyun Jeong, Doyeon Kim, Pyounggeon Kim, Youngmin Ro, Jongwon Choi
- Abstract要約: 生成モデルは 不正や 破壊 偽ニュースなど 悪意のある目的で悪用される
トレーニング設定外の未確認画像を識別する新しいフレームワークを提案する。
提案手法は,GAN画像の高品質な人工指紋を再構成する人工指紋生成装置から構成する。
- 参考スコア(独自算出の注目度): 10.963740942220168
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Although the recent advancement in generative models brings diverse
advantages to society, it can also be abused with malicious purposes, such as
fraud, defamation, and fake news. To prevent such cases, vigorous research is
conducted to distinguish the generated images from the real images, but
challenges still remain to distinguish the unseen generated images outside of
the training settings. Such limitations occur due to data dependency arising
from the model's overfitting issue to the training data generated by specific
GANs. To overcome this issue, we adopt a self-supervised scheme to propose a
novel framework. Our proposed method is composed of the artificial fingerprint
generator reconstructing the high-quality artificial fingerprints of GAN images
for detailed analysis, and the GAN detector distinguishing GAN images by
learning the reconstructed artificial fingerprints. To improve the
generalization of the artificial fingerprint generator, we build multiple
autoencoders with different numbers of upconvolution layers. With numerous
ablation studies, the robust generalization of our method is validated by
outperforming the generalization of the previous state-of-the-art algorithms,
even without utilizing the GAN images of the training dataset.
- Abstract(参考訳): 近年の生成モデルの発展は社会に様々な利点をもたらすが、詐欺、名誉剥奪、偽ニュースなどの悪意ある目的によって悪用されることもある。
このような場合を防ぐため、生成画像と実際の画像とを区別するために活発な研究がなされているが、トレーニング設定外の未確認画像の識別には依然として課題が残っている。
このような制限は、モデルが過度に適合する問題から特定のGANによって生成されたトレーニングデータへのデータ依存に起因する。
この問題を克服するために,我々は,新しい枠組みを提案するために自己監督方式を採用する。
提案手法は,GAN画像の高品質な人工指紋を再現し,詳細な解析を行う人工指紋生成装置と,再構成された人工指紋を学習することによりGAN画像の識別を行う。
人工指紋生成器の一般化を改善するため,複数のアップコンボリューション層を持つマルチオートエンコーダを構築した。
多くのアブレーション研究において、トレーニングデータセットのGANイメージを使わずに、従来の最先端アルゴリズムの一般化よりも高い性能で、本手法の堅牢な一般化が検証される。
関連論文リスト
- Active Generation for Image Classification [50.18107721267218]
本稿では,モデルのニーズと特徴に着目し,画像生成の効率性に対処することを提案する。
能動学習の中心的傾向として,ActGenという手法が,画像生成のトレーニング・アウェア・アプローチを取り入れている。
論文 参考訳(メタデータ) (2024-03-11T08:45:31Z) - Towards the Detection of AI-Synthesized Human Face Images [12.090322373964124]
本稿では,GAN(Generative Adversarial Networks)とさまざまなDMによって生成される人間の顔画像を含むベンチマークを提案する。
そして、異なる生成モデルによって導入された偽の痕跡を周波数領域で解析し、様々な知見を得た。
さらに、周波数表現で訓練された検出器が、他の見えない生成モデルとよく一致できることを実証する。
論文 参考訳(メタデータ) (2024-02-13T19:37:44Z) - GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross
Appearance-Edge Learning [49.93362169016503]
フォトリアリスティック・ジェネレータの急速な進歩は、真の画像と操作された画像の相違がますます不明瞭になっている臨界点に達している。
公開されている顔の偽造データセットはいくつかあるが、偽造顔は主にGANベースの合成技術を用いて生成される。
我々は,大規模で多様できめ細かな高忠実度データセットであるGenFaceを提案し,ディープフェイク検出の進展を促進する。
論文 参考訳(メタデータ) (2024-02-03T03:13:50Z) - 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) - Deep Image Fingerprint: Towards Low Budget Synthetic Image Detection and
Model Lineage Analysis [10.36919027402249]
本研究では,実際の画像と区別できない画像の新たな検出方法を提案する。
本手法は、既知の生成モデルから画像を検出し、微調整された生成モデル間の関係を確立することができる。
本手法は,Stable Diffusion とMidversa が生成した画像に対して,最先端の事前学習検出手法に匹敵する性能を実現する。
論文 参考訳(メタデータ) (2023-03-19T20:31:38Z) - 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) - 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) - Ensembling with Deep Generative Views [72.70801582346344]
生成モデルは、色やポーズの変化などの現実世界の変動を模倣する人工画像の「ビュー」を合成することができる。
そこで本研究では, 画像分類などの下流解析作業において, 実画像に適用できるかどうかを検討する。
StyleGAN2を再生増強の源として使用し、顔の属性、猫の顔、車を含む分類タスクについてこの設定を調査します。
論文 参考訳(メタデータ) (2021-04-29T17:58:35Z) - Automatic Correction of Internal Units in Generative Neural Networks [15.67941936262584]
GAN(Generative Adversarial Networks)は,合成画像生成において良好な性能を示す。
人工物として知られる、欠陥のある視覚パターンを持つ多数の生成画像が存在する。
本研究では,様々な種類のアーティファクト画像を生成する内部ユニットを自動的に識別する手法を考案する。
論文 参考訳(メタデータ) (2021-04-13T11:46:45Z) - Artificial Fingerprinting for Generative Models: Rooting Deepfake
Attribution in Training Data [64.65952078807086]
光現実性画像生成は、GAN(Generative Adversarial Network)のブレークスルーにより、新たな品質レベルに達した。
しかし、このようなディープフェイクのダークサイド、すなわち生成されたメディアの悪意ある使用は、視覚的誤報に関する懸念を提起する。
我々は,モデルに人工指紋を導入することによって,深度検出の積極的な,持続可能なソリューションを模索する。
論文 参考訳(メタデータ) (2020-07-16T16:49:55Z)
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。