論文の概要: Deepfake Network Architecture Attribution

• arxiv url: http://arxiv.org/abs/2202.13843v1
• Date: Mon, 28 Feb 2022 14:54:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-01 16:33:46.699636
• Title: Deepfake Network Architecture Attribution
• Title（参考訳）: Deepfakeネットワークアーキテクチャの貢献
• Authors: Tianyun Yang, Ziyao Huang, Juan Cao, Lei Li, Xirong Li
• Abstract要約: 既存のフェイク画像属性の研究は、GAN(Generative Adversarial Network)モデルでマルチクラス分類を行っている。 textitDeepfake Network Architecture Attribution に関する最初の研究を行い,アーキテクチャレベルでの偽画像の属性について述べる。
• 参考スコア（独自算出の注目度）: 23.375381198124014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid progress of generation technology, it has become necessary to attribute the origin of fake images. Existing works on fake image attribution perform multi-class classification on several Generative Adversarial Network (GAN) models and obtain high accuracies. While encouraging, these works are restricted to model-level attribution, only capable of handling images generated by seen models with a specific seed, loss and dataset, which is limited in real-world scenarios when fake images may be generated by privately trained models. This motivates us to ask whether it is possible to attribute fake images to the source models' architectures even if they are finetuned or retrained under different configurations. In this work, we present the first study on \textit{Deepfake Network Architecture Attribution} to attribute fake images on architecture-level. Based on an observation that GAN architecture is likely to leave globally consistent fingerprints while traces left by model weights vary in different regions, we provide a simple yet effective solution named DNA-Det for this problem. Extensive experiments on multiple cross-test setups and a large-scale dataset demonstrate the effectiveness of DNA-Det.
• Abstract（参考訳）: 世代技術が急速に進歩するにつれて、偽画像の起源を考慮に入れる必要がある。 既存の偽画像帰属研究は、複数のGAN(Generative Adversarial Network)モデルでマルチクラス分類を行い、高い精度を得る。 奨励される一方で、これらの作品はモデルレベルの属性に制限されており、特定のシード、損失、データセットで見たモデルによって生成された画像のみを扱うことができる。 これにより、異なる構成下で微調整されたり再訓練されたりしても、偽画像をソースモデルのアーキテクチャに属性付けることができるかどうかを問うことができる。 本稿では,偽画像をアーキテクチャレベルで属性付けする \textit{deepfake network architecture attribution} に関する最初の研究を行う。 GANアーキテクチャはグローバルに一貫した指紋を残す傾向があり、モデル重みによる痕跡は地域によって異なるため、この問題に対してDNA-Detという名前の単純で効果的なソリューションを提供する。 複数のクロステストセットアップと大規模なデータセットに関する大規模な実験は、DNA-Detの有効性を示している。

関連論文リスト

• Zero-Shot Detection of AI-Generated Images [54.01282123570917]
  AI生成画像を検出するゼロショットエントロピー検出器(ZED)を提案する。 機械によるテキスト検出の最近の研究に触発された私たちのアイデアは、分析対象の画像が実際の画像のモデルと比較してどれだけ驚くかを測定することである。 ZEDは精度の点でSoTAよりも平均3%以上改善されている。
  論文  参考訳（メタデータ） (2024-09-24T08:46:13Z)
• Contrasting Deepfakes Diffusion via Contrastive Learning and Global-Local Similarities [88.398085358514]
  Contrastive Deepfake Embeddings (CoDE)は、ディープフェイク検出に特化した新しい埋め込み空間である。 CoDEは、グローバルローカルな類似性をさらに強化することで、対照的な学習を通じて訓練される。
  論文  参考訳（メタデータ） (2024-07-29T18:00:10Z)
• Generalized Deepfake Attribution [1.4999444543328293]
  Generative Adversarial Networks (GAN) は、使用する種によって無数のGANモデルを生成することができる。 既存のディープフェイクの帰属方法は、トレーニング中に特定のGANモデルを見た場合にのみうまく機能する。 一般化されたディープフェイク属性ネットワーク(GDA-N et)を提案する。
  論文  参考訳（メタデータ） (2024-06-26T12:04:09Z)
• DeepFeatureX Net: Deep Features eXtractors based Network for discriminating synthetic from real images [6.75641797020186]
  ディープラーニングアルゴリズムによって生成された合成画像であるDeepfakesは、Digital Forensicsの分野における最大の課題の1つだ。 ベースモデルと呼ばれる3つのブロックに基づく新しい手法を提案する。 そして、各ブロックから抽出された一般化特徴を処理して、入力画像の起源を判別する。
  論文  参考訳（メタデータ） (2024-04-24T07:25:36Z)
• 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)
• Evaluating Data Attribution for Text-to-Image Models [62.844382063780365]
  我々は,既存の大規模モデルを与えられた模範オブジェクトやスタイルにチューニングする「カストミゼーション」手法による属性評価を行う。 私たちのキーとなる洞察は、これによって、構築によって模範にコンピュータ的に影響される合成画像を効率的に作成できるということです。 問題の本質的な不確実性を考慮することで、一連のトレーニング画像に対してソフトな属性スコアを割り当てることができる。
  論文  参考訳（メタデータ） (2023-06-15T17:59:51Z)
• 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)
• InvGAN: Invertible GANs [88.58338626299837]
  InvGANはInvertible GANの略で、高品質な生成モデルの潜在空間に実際の画像を埋め込むことに成功した。 これにより、画像のインペイント、マージ、オンラインデータ拡張を実行できます。
  論文  参考訳（メタデータ） (2021-12-08T21:39:00Z)
• Six-channel Image Representation for Cross-domain Object Detection [17.854940064699985]
  ディープラーニングモデルはデータ駆動であり、優れたパフォーマンスは豊富で多様なデータセットに依存する。 いくつかの画像から画像への翻訳技術は、モデルを訓練するために特定のシーンの偽データを生成するために用いられる。 3チャンネル画像とそのgan生成した偽画像に刺激を与え,データセットの6チャンネル表現を作成することを提案する。
  論文  参考訳（メタデータ） (2021-01-03T04:50:03Z)
• FDFtNet: Facing Off Fake Images using Fake Detection Fine-tuning Network [19.246576904646172]
  本稿では,FaketNetと呼ばれる,軽量な微調整ニューラルネットワークアーキテクチャを提案する。 提案手法は,偽画像の検出を効果的に行うための微調整のために,数枚の画像のみを用いて,人気のある事前学習モデルを再利用することを目的としている。 我々の tNet は GANs ベースのデータセットから生成された偽画像の総合的精度 9029% を達成する。
  論文  参考訳（メタデータ） (2020-01-05T16:04:17Z)

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。