論文の概要: Detecting Recolored Image by Spatial Correlation

• arxiv url: http://arxiv.org/abs/2204.10973v1
• Date: Sat, 23 Apr 2022 01:54:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-26 15:46:10.130287
• Title: Detecting Recolored Image by Spatial Correlation
• Title（参考訳）: 空間相関によるカラー画像の検出
• Authors: Yushu Zhang, Nuo Chen, Shuren Qi, Mingfu Xue, and Xiaochun Cao
• Abstract要約: 画像のリカラー化は、画像の色値を操作して新しいスタイルを与える、新たな編集技術である。 本稿では,空間相関の観点から,従来型と深層学習による再色検出の汎用的検出能力を示す解を探索する。 提案手法は,複数のベンチマークデータセット上での最先端検出精度を実現し,未知の種類の再色法を適切に一般化する。
• 参考スコア（独自算出の注目度）: 60.08643417333974
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Image forensics, aiming to ensure the authenticity of the image, has made great progress in dealing with common image manipulation such as copy-move, splicing, and inpainting in the past decades. However, only a few researchers pay attention to an emerging editing technique called image recoloring, which can manipulate the color values of an image to give it a new style. To prevent it from being used maliciously, the previous approaches address the conventional recoloring from the perspective of inter-channel correlation and illumination consistency. In this paper, we try to explore a solution from the perspective of the spatial correlation, which exhibits the generic detection capability for both conventional and deep learning-based recoloring. Through theoretical and numerical analysis, we find that the recoloring operation will inevitably destroy the spatial correlation between pixels, implying a new prior of statistical discriminability. Based on such fact, we generate a set of spatial correlation features and learn the informative representation from the set via a convolutional neural network. To train our network, we use three recoloring methods to generate a large-scale and high-quality data set. Extensive experimental results in two recoloring scenes demonstrate that the spatial correlation features are highly discriminative. Our method achieves the state-of-the-art detection accuracy on multiple benchmark datasets and exhibits well generalization for unknown types of recoloring methods.
• Abstract（参考訳）: 画像の信頼性を確保することを目的とした画像鑑定学は、コピー・ムーブ、スプライシング、塗装などの一般的な画像操作に過去数十年で大きな進歩を遂げた。 しかし、画像のカラー値を操作して新しいスタイルを与える、画像のリカラー化と呼ばれる新しい編集技術に注意を向ける研究者はごくわずかである。 従来手法では, チャネル間の相関や照明の整合性の観点から, 従来の色付けに対処している。 本稿では,空間相関の観点から,従来型と深層学習による再色検出の汎用的検出能力を示す解を探索する。 理論的および数値解析により、再色操作は必然的に画素間の空間的相関を破壊し、統計的識別可能性の新しい先行を示唆する。 このような事実に基づいて,空間相関特徴の集合を生成し,畳み込みニューラルネットワークを用いてその集合から情報表現を学習する。 ネットワークのトレーニングには,大規模かつ高品質なデータセットを生成するために3つの再カラー化手法を用いる。 2つの再彩色シーンにおける大規模な実験結果から,空間的相関特性は高い判別性を示した。 提案手法は,複数のベンチマークデータセット上での最先端検出精度を実現し,未知の種類の再色法を適切に一般化する。

関連論文リスト

• ColorizeDiffusion: Adjustable Sketch Colorization with Reference Image and Text [5.675944597452309]
  事前学習したCLIP画像エンコーダの異なる画像トークンを利用した画像誘導潜時拡散モデルの2つのバリエーションを紹介する。 重み付きテキスト入力を用いて結果の逐次的調整を行うための,対応する操作手法を提案する。
  論文  参考訳（メタデータ） (2024-01-02T22:46:12Z)
• SPDGAN: A Generative Adversarial Network based on SPD Manifold Learning for Automatic Image Colorization [1.220743263007369]
  生成逆ネットワーク(SPDGAN)を用いたSymmetric Positive Definite (SPD) Manifold Learningに基づく完全自動カラー化手法を提案する。 本モデルは,2つの識別器とジェネレータの対角ゲームを確立する。その目標は,残差接続により層間の色情報を失うことなく,偽のカラー化画像を生成することである。
  論文  参考訳（メタデータ） (2023-12-21T00:52:01Z)
• Incorporating Ensemble and Transfer Learning For An End-To-End Auto-Colorized Image Detection Model [0.0]
  本稿では,移動学習とアンサンブル学習の利点を組み合わせた新たな手法を提案する。 提案したモデルは、94.55%から99.13%の精度で有望な結果を示す。
  論文  参考訳（メタデータ） (2023-09-25T19:22:57Z)
• 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)
• PalGAN: Image Colorization with Palette Generative Adversarial Networks [51.59276436217957]
  そこで本研究では,パレット推定とカラーアテンションを統合した新しいGANベースのカラー化手法PalGANを提案する。 PalGANは、定量的評価と視覚比較において最先端の成果を上げ、顕著な多様性、コントラスト、およびエッジ保存の外観を提供する。
  論文  参考訳（メタデータ） (2022-10-20T12:28:31Z)
• ParaColorizer: Realistic Image Colorization using Parallel Generative Networks [1.7778609937758327]
  グレースケール画像のカラー化は、情報復元のためのAIの魅力的な応用である。 並列なGANベースのカラー化フレームワークを提案する。 マルチモーダル問題を評価するために一般的に使用される非知覚的評価指標の欠点を示す。
  論文  参考訳（メタデータ） (2022-08-17T13:49:44Z)
• Astronomical Image Colorization and upscaling with Generative Adversarial Networks [0.0]
  本研究の目的は、非常に特定の画像領域、すなわち天文学的な画像に焦点をあてることにより、この問題に自動的アプローチを提供することである。 我々は、RGBとL*a*bという2つの異なる色空間における様々なモデルの使用について検討する。 このモデルは、画像に存在しない高解像度で色付けされたデータを幻覚させる視覚的に魅力的な画像を生成する。
  論文  参考訳（メタデータ） (2021-12-27T19:01:20Z)
• Robust Data Hiding Using Inverse Gradient Attention [82.73143630466629]
  データ隠蔽タスクでは、異なる耐久性を有するため、カバー画像の各ピクセルを別々に扱う必要がある。 Inverse Gradient Attention (IGA) を用いた新しい深層データ隠蔽方式を提案する。 実証的な実験により、提案モデルが2つの先行するデータセット上で最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-11-21T19:08:23Z)
• Image Colorization: A Survey and Dataset [94.59768013860668]
  本稿では,最先端の深層学習に基づく画像着色技術に関する包括的調査を行う。 既存の着色技法を7つのクラスに分類し、その性能を規定する重要な要因について論じる。 我々は既存のデータセットと提案した画像の両方を用いて、既存の画像のカラー化手法を広範囲に実験的に評価する。
  論文  参考訳（メタデータ） (2020-08-25T01:22:52Z)
• Instance-aware Image Colorization [51.12040118366072]
  本稿では,インスタンス認識のカラー化を実現する手法を提案する。 我々のネットワークアーキテクチャは、市販のオブジェクト検出器を利用して、収穫されたオブジェクト画像を取得する。 類似したネットワークを用いて、フルイメージの特徴を抽出し、融合モジュールを適用して最終色を予測する。
  論文  参考訳（メタデータ） (2020-05-21T17:59:23Z)

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。