論文の概要: Forensic Analysis of Synthetically Generated Scientific Images

• arxiv url: http://arxiv.org/abs/2112.08739v1
• Date: Thu, 16 Dec 2021 09:44:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-17 14:28:15.910194
• Title: Forensic Analysis of Synthetically Generated Scientific Images
• Title（参考訳）: 合成科学画像の法医学的解析
• Authors: Sara Mandelli, Davide Cozzolino, Joao P. Cardenuto, Daniel Moreira, Paolo Bestagini, Walter Scheirer, Anderson Rocha, Luisa Verdoliva, Stefano Tubaro, Edward J. Delp
• Abstract要約: 人工的に生成した西洋ブロック画像の検出に焦点をあてる。 西洋のブロット画像は、生物医学の文献で主に研究されている。 我々は14K以上の西部ブロック画像と18Kの合成西部ブロック画像からなる新しいデータセットを作成する。
• 参考スコア（独自算出の注目度）: 46.399168713651186
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The widespread diffusion of synthetically generated content is a serious threat that needs urgent countermeasures. The generation of synthetic content is not restricted to multimedia data like videos, photographs, or audio sequences, but covers a significantly vast area that can include biological images as well, such as western-blot and microscopic images. In this paper, we focus on the detection of synthetically generated western-blot images. Western-blot images are largely explored in the biomedical literature and it has been already shown how these images can be easily counterfeited with few hope to spot manipulations by visual inspection or by standard forensics detectors. To overcome the absence of a publicly available dataset, we create a new dataset comprising more than 14K original western-blot images and 18K synthetic western-blot images, generated by three different state-of-the-art generation methods. Then, we investigate different strategies to detect synthetic western blots, exploring binary classification methods as well as one-class detectors. In both scenarios, we never exploit synthetic western-blot images at training stage. The achieved results show that synthetically generated western-blot images can be spot with good accuracy, even though the exploited detectors are not optimized over synthetic versions of these scientific images.
• Abstract（参考訳）: 合成生成コンテンツの広範な拡散は緊急対策を必要とする深刻な脅威である。 合成コンテンツの生成は、ビデオ、写真、オーディオシーケンスのようなマルチメディアデータに制限されないが、西洋ブロックや顕微鏡画像のような生物学的画像も含む、非常に広い領域をカバーする。 本稿では,人工的に生成した西ブロット画像の検出に焦点をあてる。 西洋の血まみれの画像は、主に生物医学文献で研究されており、視覚検査や標準的な鑑識検査による操作をほとんど望みなく、これらの画像が容易に偽造できることが既に示されている。 公開データセットの欠如を克服するために,3つの異なる最先端生成手法によって生成された14K以上の西洋ブロック画像と18K以上の合成西洋ブロック画像からなる新しいデータセットを作成する。 そこで我々は,西洋の合成芽を検知し,二項分類法と一階検出法について検討した。 どちらのシナリオでも、訓練段階で合成西洋風画像を利用することはない。 その結果, 画像の合成版に最適化されていないにもかかわらず, 合成したウエスタンブロット画像は高精度に検出できることがわかった。

関連論文リスト

• Localization of Synthetic Manipulations in Western Blot Images [10.429171869680669]
  局所的な画像操作は、デジタルコンテンツと社会的信頼の整合性に深刻な課題をもたらす。 本研究では,西洋のブロット画像における合成操作の局所化という課題に対処する。 解析画像のプリスタンと合成画素を識別するために,画像から抽出した小さなパッチで動作する合成検出器を提案する。
  論文  参考訳（メタデータ） (2024-08-25T09:29:20Z)
• When Synthetic Traces Hide Real Content: Analysis of Stable Diffusion Image Laundering [18.039034362749504]
  近年、高度にリアルな合成画像を作成する方法が大幅に進歩している。 SDオートエンコーダを介して画像を渡すことで、画像の合成コピーを高いリアリズムで再現することができ、視覚的アーティファクトはほとんどない。 このプロセスはSD画像ロンダリング(SD image laundering)と呼ばれ、実際の画像を見た目の合成画像に変換することができ、コンテンツ認証のための法医学的分析を複雑にするリスクがある。
  論文  参考訳（メタデータ） (2024-07-15T14:01:35Z)
• Is Synthetic Image Useful for Transfer Learning? An Investigation into Data Generation, Volume, and Utilization [62.157627519792946]
  ブリッジドトランスファー(ブリッジドトランスファー)と呼ばれる新しいフレームワークを導入する。このフレームワークは、当初、トレーニング済みモデルの微調整に合成画像を使用し、転送性を向上させる。 合成画像と実画像のスタイルアライメントを改善するために,データセットスタイルの逆変換方式を提案する。 提案手法は10の異なるデータセットと5つの異なるモデルで評価され、一貫した改善が示されている。
  論文  参考訳（メタデータ） (2024-03-28T22:25:05Z)
• Generalizable Synthetic Image Detection via Language-guided Contrastive Learning [22.4158195581231]
  偽ニュースの拡散や偽のプロフィールの作成などの合成画像の真偽の使用は、画像の真正性に関する重要な懸念を提起する。 本稿では,言語指導によるコントラスト学習と検出問題の新たな定式化による,シンプルで効果的な合成画像検出手法を提案する。 提案したLanguAge-guided SynThEsis Detection (LASTED) モデルでは,画像生成モデルに対する一般化性が大幅に向上していることが示されている。
  論文  参考訳（メタデータ） (2023-05-23T08:13:27Z)
• Parents and Children: Distinguishing Multimodal DeepFakes from Natural Images [60.34381768479834]
  近年の拡散モデルの発展により、自然言語のテキストプロンプトから現実的なディープフェイクの生成が可能になった。 我々は、最先端拡散モデルにより生成されたディープフェイク検出に関する体系的研究を開拓した。
  論文  参考訳（メタデータ） (2023-04-02T10:25:09Z)
• Is synthetic data from generative models ready for image recognition? [69.42645602062024]
  本研究では,最新のテキスト・画像生成モデルから生成した合成画像が,画像認識タスクにどのように利用できるかを検討した。 本稿では,既存の生成モデルからの合成データの強大さと欠点を示し,認識タスクに合成データを適用するための戦略を提案する。
  論文  参考訳（メタデータ） (2022-10-14T06:54:24Z)
• OADAT: Experimental and Synthetic Clinical Optoacoustic Data for Standardized Image Processing [62.993663757843464]
  オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。 OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。 臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
  論文  参考訳（メタデータ） (2022-06-17T08:11:26Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• Selective Synthetic Augmentation with HistoGAN for Improved Histopathology Image Classification [11.087537668968888]
  我々は,クラスラベルに条件付けされたリアルな病理像パッチを合成するための条件付きGANモデル,すなわちHistoGANを提案する。 また,提案したHistoGANによって生成された新しい合成画像パッチを選択的に追加する新しい合成拡張フレームワークについても検討した。 リンパ節病理組織像と転移性癌のリンパ節病理組織像の2つのデータセットについて検討した。
  論文  参考訳（メタデータ） (2021-11-10T23:25:39Z)
• Scientific Image Tampering Detection Based On Noise Inconsistencies: A Method And Datasets [1.2691047660244335]
  本稿では,ノイズの不整合に基づく科学的画像特異的な改ざん検出手法を提案する。 本手法は,西部のブロット画像と顕微鏡画像の新たなデータセットを用いて,本手法の訓練と試験を行う。
  論文  参考訳（メタデータ） (2020-01-21T22:29:56Z)

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。