論文の概要: On the Effectiveness of Image Manipulation Detection in the Age of Social Media

• arxiv url: http://arxiv.org/abs/2304.09414v1
• Date: Wed, 19 Apr 2023 04:05:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-20 15:27:35.465644
• Title: On the Effectiveness of Image Manipulation Detection in the Age of Social Media
• Title（参考訳）: ソーシャルメディア時代における画像操作検出の有効性について
• Authors: Rosaura G. VidalMata and Priscila Saboia and Daniel Moreira and Grant Jensen and Jason Schlessman and Walter J. Scheirer
• Abstract要約: 操作検出アルゴリズムは、画像内の他の非干渉領域と十分に異なる'操作された領域に依存していることが多い。 本稿では,ディープラーニングと学習自由な手法の詳細な分析を行い,その性能をベンチマークデータセット上で評価する。 本稿では,操作領域に存在する異常をアクセント化する,ディープラーニングに基づく新しい前処理手法を提案する。
• 参考スコア（独自算出の注目度）: 9.227950734832447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image manipulation detection algorithms designed to identify local anomalies often rely on the manipulated regions being ``sufficiently'' different from the rest of the non-tampered regions in the image. However, such anomalies might not be easily identifiable in high-quality manipulations, and their use is often based on the assumption that certain image phenomena are associated with the use of specific editing tools. This makes the task of manipulation detection hard in and of itself, with state-of-the-art detectors only being able to detect a limited number of manipulation types. More importantly, in cases where the anomaly assumption does not hold, the detection of false positives in otherwise non-manipulated images becomes a serious problem. To understand the current state of manipulation detection, we present an in-depth analysis of deep learning-based and learning-free methods, assessing their performance on different benchmark datasets containing tampered and non-tampered samples. We provide a comprehensive study of their suitability for detecting different manipulations as well as their robustness when presented with non-tampered data. Furthermore, we propose a novel deep learning-based pre-processing technique that accentuates the anomalies present in manipulated regions to make them more identifiable by a variety of manipulation detection methods. To this end, we introduce an anomaly enhancement loss that, when used with a residual architecture, improves the performance of different detection algorithms with a minimal introduction of false positives on the non-manipulated data. Lastly, we introduce an open-source manipulation detection toolkit comprising a number of standard detection algorithms.
• Abstract（参考訳）: 局所異常を識別するために設計された画像操作検出アルゴリズムは、画像内の他の領域とは異なる操作領域である`sufficiently''に依存することが多い。 しかし、このような異常は高品質な操作では容易に特定できない可能性があり、特定の画像現象が特定の編集ツールの使用と関連しているという仮定に基づくことが多い。 これにより、最先端の検出器が限られた数の操作タイプしか検出できないため、検出の操作が難しくなる。 さらに重要なことに、異常な仮定が持たない場合、非操作画像における偽陽性の検出は深刻な問題となる。 操作検出の現状を理解するために,ディープラーニングと学習フリーの手法を深く分析し,改ざんされたサンプルと非タンパリング標本を含む異なるベンチマークデータセットでの性能を評価する。 我々は、異なる操作を検出するための適合性と、非タンパーデータで示されるときの頑健性について包括的に研究する。 さらに,操作領域に存在する異常を強調し,様々な操作検出手法により識別しやすくする,深層学習に基づく新しい前処理手法を提案する。 この目的のために,残差アーキテクチャで使用する場合,非操作データに偽陽性を最小に導入することで,異なる検出アルゴリズムの性能を向上させる異常拡張損失を導入する。 最後に,多数の標準検出アルゴリズムを含むオープンソースの操作検出ツールキットを提案する。

関連論文リスト

• MMNet: Multi-Collaboration and Multi-Supervision Network for Sequential Deepfake Detection [81.59191603867586]
  シークエンシャルディープフェイク検出は、回復のための正しいシーケンスで偽の顔領域を特定することを目的としている。 偽画像の復元には、逆変換を実装するための操作モデルの知識が必要である。 顔画像の空間スケールや逐次順列化を扱うマルチコラボレーション・マルチスーパービジョンネットワーク(MMNet)を提案する。
  論文  参考訳（メタデータ） (2023-07-06T02:32:08Z)
• Self-Calibrating Anomaly and Change Detection for Autonomous Inspection Robots [0.07366405857677225]
  視覚異常または変化検出アルゴリズムは、参照画像やデータセットとは異なる画像の領域を特定する。 本研究では,事前の未知環境における異常や変化を検出するための総合的なディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-26T09:52:12Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• ReDFeat: Recoupling Detection and Description for Multimodal Feature Learning [51.07496081296863]
  我々は、相互重み付け戦略による多モーダル特徴学習の検出と記述の独立した制約を再定義する。 本研究では,大きな受容場を有し,学習可能な非最大抑制層を備える検出器を提案する。 我々は,特徴マッチングと画像登録タスクにおける特徴量を評価するために,クロス可視,赤外線,近赤外,合成開口レーダ画像ペアを含むベンチマークを構築した。
  論文  参考訳（メタデータ） (2022-05-16T04:24:22Z)
• ObjectFormer for Image Manipulation Detection and Localization [118.89882740099137]
  画像操作の検出とローカライズを行うObjectFormerを提案する。 画像の高周波特徴を抽出し,マルチモーダルパッチの埋め込みとしてRGB特徴と組み合わせる。 各種データセットについて広範な実験を行い,提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2022-03-28T12:27:34Z)
• A Multi-Scale A Contrario method for Unsupervised Image Anomaly Detection [0.5156484100374058]
  コンボリューションにより得られた特徴写像に統計的解析を適用した画像中の異常を検出するためのコントロリオフレームワークを提案する。 提案手法はマルチスケールで完全に教師なしであり,様々なシナリオで異常を検出することができる。 この研究の最終的な目標は、自動車産業における革サンプルの微妙な欠陥を検出することであるが、同じアルゴリズムが、パブリックな異常データセットにおけるアート結果の状態を達成していることを示す。
  論文  参考訳（メタデータ） (2021-10-05T23:29:58Z)
• Detect and Locate: A Face Anti-Manipulation Approach with Semantic and Noise-level Supervision [67.73180660609844]
  本稿では,画像中の偽造顔を効率的に検出する,概念的にシンプルだが効果的な方法を提案する。 提案手法は,画像に関する意味の高い意味情報を提供するセグメンテーションマップに依存する。 提案モデルでは,最先端検出精度と顕著なローカライゼーション性能を実現する。
  論文  参考訳（メタデータ） (2021-07-13T02:59:31Z)
• CutPaste: Self-Supervised Learning for Anomaly Detection and Localization [59.719925639875036]
  通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。 まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。 MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
  論文  参考訳（メタデータ） (2021-04-08T19:04:55Z)
• Pixel-wise Anomaly Detection in Complex Driving Scenes [30.884375526254836]
  本稿では,不確実性マップを用いて異常検出を改善する画素方向異常検出フレームワークを提案する。 私たちのアプローチは、すでにトレーニング済みのセグメンテーションネットワークの一般的なフレームワークとして機能します。 さまざまな異常データセットを対象としたトップ2パフォーマンスは、異なる異常インスタンスを扱うアプローチの堅牢性を示している。
  論文  参考訳（メタデータ） (2021-03-09T14:26:20Z)
• OIAD: One-for-all Image Anomaly Detection with Disentanglement Learning [23.48763375455514]
  クリーンサンプルのみを用いたアンタングル学習に基づく一対一画像異常検出システムを提案する。 3つのデータセットを用いて実験したところ、OIADは90%以上の異常を検出できる一方で、誤報率も低く抑えられることがわかった。
  論文  参考訳（メタデータ） (2020-01-18T09:57:37Z)

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。