論文の概要: MRI-GAN: A Generalized Approach to Detect DeepFakes using Perceptual Image Assessment

• arxiv url: http://arxiv.org/abs/2203.00108v1
• Date: Mon, 28 Feb 2022 21:53:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-03 03:24:53.040269
• Title: MRI-GAN: A Generalized Approach to Detect DeepFakes using Perceptual Image Assessment
• Title（参考訳）: MRI-GAN:知覚画像アセスメントを用いたディープフェイクの検出
• Authors: Pratikkumar Prajapati, Chris Pollett
• Abstract要約: DeepFakesは、オリジナル画像の顔と誰かの顔とを交換して生成された合成ビデオだ。 本稿では,GAN(Generative Adversarial Network)ベースのモデルを用いてDeepFakeコンテンツを分類する新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: DeepFakes are synthetic videos generated by swapping a face of an original image with the face of somebody else. In this paper, we describe our work to develop general, deep learning-based models to classify DeepFake content. We propose a novel framework for using Generative Adversarial Network (GAN)-based models, we call MRI-GAN, that utilizes perceptual differences in images to detect synthesized videos. We test our MRI-GAN approach and a plain-frames-based model using the DeepFake Detection Challenge Dataset. Our plain frames-based-model achieves 91% test accuracy and a model which uses our MRI-GAN framework with Structural Similarity Index Measurement (SSIM) for the perceptual differences achieves 74% test accuracy. The results of MRI-GAN are preliminary and may be improved further by modifying the choice of loss function, tuning hyper-parameters, or by using a more advanced perceptual similarity metric.
• Abstract（参考訳）: DeepFakesは、オリジナル画像の顔と誰かの顔とを交換して生成された合成ビデオだ。 本稿では,DeepFakeコンテンツを分類するための一般的なディープラーニングモデルの開発について述べる。 我々は、画像の知覚差を利用して合成ビデオを検出するGAN(Generative Adversarial Network)ベースの新しいフレームワーク、MRI-GANを提案する。 我々は、DeepFake Detection Challenge Datasetを用いて、MRI-GANアプローチとプレーンフレームベースのモデルをテストする。 基本フレームベースモデルは91%のテスト精度を達成し,mri-ganフレームワークと構造類似度指標測定(ssim)を用いたモデルは74%のテスト精度を達成している。 MRI-GANの結果は予備的であり、損失関数の選択を変更したり、ハイパーパラメータをチューニングしたり、より先進的な知覚類似度測定を用いて改善される可能性がある。

関連論文リスト

• MRI Parameter Mapping via Gaussian Mixture VAE: Breaking the Assumption of Independent Pixels [3.720246718519987]
  我々はMRIにおける定量的パラメータマッピングの新しいパラダイムを導入し、実証する。 独立画素の仮定を破る自己教師型深部変分法を提案する。 そこで本手法は,dMRIやqMRIなどのパラメータマッピング手法の臨床応用を支援することができる。
  論文  参考訳（メタデータ） (2024-11-16T11:11:36Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Lightweight 3D Convolutional Neural Network for Schizophrenia diagnosis using MRI Images and Ensemble Bagging Classifier [1.487444917213389]
  本稿では,MRI画像を用いた統合失調症診断のための軽量3次元畳み込みニューラルネットワーク(CNN)フレームワークを提案する。 精度は92.22%、感度94.44%、特異度90%、精度90.43%、リコール94.44%、F1スコア92.39%、G平均92.19%である。
  論文  参考訳（メタデータ） (2022-11-05T10:27:37Z)
• Stable Deep MRI Reconstruction using Generative Priors [13.400444194036101]
  本稿では,参照等級画像のみを生成的設定でトレーニングした,新しいディープニューラルネットワークベース正規化器を提案する。 その結果,最先端のディープラーニング手法に匹敵する競争性能が示された。
  論文  参考訳（メタデータ） (2022-10-25T08:34:29Z)
• Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
  MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。 本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
  論文  参考訳（メタデータ） (2022-09-15T03:58:30Z)
• Reconstruction of Perceived Images from fMRI Patterns and Semantic Brain Exploration using Instance-Conditioned GANs [1.6904374000330984]
  我々は, インスタンス定義型GAN(IC-GAN)モデルを用いて, fMRIパターンからの画像を, 正確な意味的属性と保存低レベル詳細の両方で再構成する。 実例の特徴,ノイズベクトル,およびそれに対応するfMRIパターンからの刺激の密度ベクトルを予測するために,尾根回帰モデルを訓練した。 IC-GANジェネレータを用いて、これらのfMRI予測変数に基づいて、新しいテスト画像の再構成を行った。
  論文  参考訳（メタデータ） (2022-02-25T13:51:00Z)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)

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。