論文の概要: Spritz-PS: Validation of Synthetic Face Images Using a Large Dataset of Printed Documents

• arxiv url: http://arxiv.org/abs/2304.02982v1
• Date: Thu, 6 Apr 2023 10:28:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-07 14:28:18.372761
• Title: Spritz-PS: Validation of Synthetic Face Images Using a Large Dataset of Printed Documents
• Title（参考訳）: spritz-ps: 印刷文書の大規模データセットを用いた合成顔画像の検証
• Authors: Ehsan Nowroozi, Yoosef Habibi, Mauro Conti
• Abstract要約: 我々は、VIPPrint PrintedおよびScanned face imageから得られた多数の合成および天然のIRISからなる新しいデータセットを提供する。 データセットのIRIS画像の評価にかかわる問題点を明らかにするために,シメセニューラルネットワークを用いた多数の解析を行った。
• 参考スコア（独自算出の注目度）: 23.388645531702597
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The capability of doing effective forensic analysis on printed and scanned (PS) images is essential in many applications. PS documents may be used to conceal the artifacts of images which is due to the synthetic nature of images since these artifacts are typically present in manipulated images and the main artifacts in the synthetic images can be removed after the PS. Due to the appeal of Generative Adversarial Networks (GANs), synthetic face images generated with GANs models are difficult to differentiate from genuine human faces and may be used to create counterfeit identities. Additionally, since GANs models do not account for physiological constraints for generating human faces and their impact on human IRISes, distinguishing genuine from synthetic IRISes in the PS scenario becomes extremely difficult. As a result of the lack of large-scale reference IRIS datasets in the PS scenario, we aim at developing a novel dataset to become a standard for Multimedia Forensics (MFs) investigation which is available at [45]. In this paper, we provide a novel dataset made up of a large number of synthetic and natural printed IRISes taken from VIPPrint Printed and Scanned face images. We extracted irises from face images and it is possible that the model due to eyelid occlusion captured the incomplete irises. To fill the missing pixels of extracted iris, we applied techniques to discover the complex link between the iris images. To highlight the problems involved with the evaluation of the dataset's IRIS images, we conducted a large number of analyses employing Siamese Neural Networks to assess the similarities between genuine and synthetic human IRISes, such as ResNet50, Xception, VGG16, and MobileNet-v2. For instance, using the Xception network, we achieved 56.76\% similarity of IRISes for synthetic images and 92.77% similarity of IRISes for real images.
• Abstract（参考訳）: 印刷・スキャンされた画像に対して効果的な法医学的分析を行う能力は多くの応用において不可欠である。 PS文書は、これらのアーティファクトが通常、操作された画像に存在し、合成画像の主要なアーティファクトがPS後に除去されるため、画像の合成性に起因する画像のアーティファクトを隠蔽するために用いられる。 gans(generative adversarial network)の魅力により、gansモデルで生成された合成顔画像は、本物の人間の顔と区別することが難しく、偽造idを作成するのに使うことができる。 さらに、GANモデルでは、人間の顔を生成するための生理的制約や、人間のIRISへの影響を考慮しないため、PSシナリオにおける合成IRISとの区別は非常に困難になる。 また,PSシナリオにおける大規模な参照IRISデータセットの欠如により,[45]で利用可能となるマルチメディア・フォレスティクス(MF)調査の標準となる新しいデータセットの開発を目指す。 本稿では,VIPPrint PrintedおよびScanned face imageから得られた多数の合成および天然印刷IRISからなる新しいデータセットを提案する。 我々は,顔画像からアイライズを抽出し,アイライド閉塞によるモデルが不完全なアイライズを捕捉した可能性が示唆された。 抽出した虹彩の欠落画素を埋めるために,虹彩画像間の複雑なリンクを発見する手法を適用した。 データセットのIRIS画像の評価にまつわる問題点を明らかにするために,我々は,ResNet50,Xception,VGG16,MobileNet-v2などの真のヒトIRISの類似性を評価するために,Samese Neural Networksを用いた多数の解析を行った。 例えば、Xceptionネットワークを用いて、合成画像のIRISの56.76倍、実画像のIRISの92.77%の類似性を達成した。

関連論文リスト

• 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)
• ContraNeRF: Generalizable Neural Radiance Fields for Synthetic-to-real Novel View Synthesis via Contrastive Learning [102.46382882098847]
  まず,合成から現実への新規な視点合成における合成データの影響について検討した。 本稿では,幾何制約を伴う多視点一貫した特徴を学習するために,幾何対応のコントラスト学習を導入することを提案する。 提案手法は,PSNR,SSIM,LPIPSの点で,既存の一般化可能な新規ビュー合成手法よりも高い画質で精細な画像を描画することができる。
  論文  参考訳（メタデータ） (2023-03-20T12:06:14Z)
• 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)
• Detecting High-Quality GAN-Generated Face Images using Neural Networks [23.388645531702597]
  本稿では,スペクトル帯域差を利用したGAN生成画像と実画像との区別手法を提案する。 特に,クロスバンド共起行列と空間共起行列を用いて,顔画像のデジタル保存を可能にする。 性能向上は特に重要であり、異なる後処理環境において92%以上を達成することを示す。
  論文  参考訳（メタデータ） (2022-03-03T13:53:27Z)
• Generation of Non-Deterministic Synthetic Face Datasets Guided by Identity Priors [19.095368725147367]
  本稿では、StyleGANの構造化された潜在空間を利用して、マット付き顔画像を生成する非決定論的手法を提案する。 25,919個の合成IDを含む77,034個のサンプルからなる合成顔画像(SymFace)のデータセットを作成する。
  論文  参考訳（メタデータ） (2021-12-07T11:08:47Z)
• SynFace: Face Recognition with Synthetic Data [83.15838126703719]
  我々は、ID混在(IM)とドメイン混在(DM)を併用したSynFaceを考案し、パフォーマンスギャップを緩和する。 また、合成顔画像の系統的実験分析を行い、合成データを顔認識に効果的に活用する方法についての知見を提供する。
  論文  参考訳（メタデータ） (2021-08-18T03:41:54Z)
• Identity-Aware CycleGAN for Face Photo-Sketch Synthesis and Recognition [61.87842307164351]
  まず,画像生成ネットワークの監視に新たな知覚損失を適用したIACycleGAN(Identity-Aware CycleGAN)モデルを提案する。 眼や鼻などの重要な顔領域の合成により多くの注意を払うことで、フォトエッチング合成におけるサイクガンを改善する。 IACycleGANによる画像の合成を反復的に行う合成モデルと認識モデルとの相互最適化手法を開発した。
  論文  参考訳（メタデータ） (2021-03-30T01:30:08Z)
• VIPPrint: A Large Scale Dataset of Printed and Scanned Images for Synthetic Face Images Detection and Source Linking [26.02960434287235]
  本稿では,多数の合成顔画像と天然顔画像からなる新しいデータセットを提案する。 印刷およびスキャン画像に適用すると、自然顔画像と合成顔画像を区別する最先端の方法が失敗することを確認します。
  論文  参考訳（メタデータ） (2021-02-01T13:00:29Z)
• InterFaceGAN: Interpreting the Disentangled Face Representation Learned by GANs [73.27299786083424]
  我々は、最先端のGANモデルによって学習された不整合顔表現を解釈するInterFaceGANというフレームワークを提案する。 まず、GANは潜在空間の線型部分空間で様々な意味学を学ぶ。 次に、異なる意味論間の相関関係について詳細な研究を行い、部分空間射影を通してそれらをよりよく解離させる。
  論文  参考訳（メタデータ） (2020-05-18T18:01:22Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。