論文の概要: Improving Synthetically Generated Image Detection in Cross-Concept
Settings
- arxiv url: http://arxiv.org/abs/2304.12053v1
- Date: Mon, 24 Apr 2023 12:45:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-25 15:05:11.993512
- Title: Improving Synthetically Generated Image Detection in Cross-Concept
Settings
- Title(参考訳): クロスコンセプト設定における合成画像検出の改善
- Authors: Pantelis Dogoulis, Giorgos Kordopatis-Zilos, Ioannis Kompatsiaris,
Symeon Papadopoulos
- Abstract要約: 我々は、例えば、人間の顔に検出器を訓練する際に、様々な概念クラスをまたがって一般化するという課題に焦点をあてる。
本稿では,現実的な合成画像上での学習により,検出器の堅牢性を向上できるという前提に基づくアプローチを提案する。
- 参考スコア(独自算出の注目度): 20.21594285488186
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: New advancements for the detection of synthetic images are critical for
fighting disinformation, as the capabilities of generative AI models
continuously evolve and can lead to hyper-realistic synthetic imagery at
unprecedented scale and speed. In this paper, we focus on the challenge of
generalizing across different concept classes, e.g., when training a detector
on human faces and testing on synthetic animal images - highlighting the
ineffectiveness of existing approaches that randomly sample generated images to
train their models. By contrast, we propose an approach based on the premise
that the robustness of the detector can be enhanced by training it on realistic
synthetic images that are selected based on their quality scores according to a
probabilistic quality estimation model. We demonstrate the effectiveness of the
proposed approach by conducting experiments with generated images from two
seminal architectures, StyleGAN2 and Latent Diffusion, and using three
different concepts for each, so as to measure the cross-concept generalization
ability. Our results show that our quality-based sampling method leads to
higher detection performance for nearly all concepts, improving the overall
effectiveness of the synthetic image detectors.
- Abstract(参考訳): 合成画像の検出のための新たな進歩は、生成AIモデルの能力が継続的に進化し、前例のないスケールとスピードで超現実的な合成画像を生み出すため、偽情報と戦うために重要である。
本稿では,人間の顔に検知器を訓練し,合成動物像を検査するなど,さまざまな概念クラスにまたがって一般化することの課題に焦点を当て,生成した画像をランダムにサンプリングしてモデルを訓練する既存のアプローチの非効率性を強調する。
そこで,提案手法では,確率的品質推定モデルに基づいて,その品質スコアに基づいて選択されたリアルな合成画像に対して学習することで,検出器の頑健性を高めることができるという前提に基づくアプローチを提案する。
提案手法は,2つの独創的アーキテクチャ,stylegan2 と latent diffusion から生成した画像を用いて実験を行い,それぞれ3つの異なる概念を用いて,概念横断的一般化能力を測定することにより,その効果を実証する。
提案手法は, ほぼすべての概念に対して高い検出性能を達成し, 合成画像検出器の全体的な有効性を向上させる。
関連論文リスト
- Forgery-aware Adaptive Transformer for Generalizable Synthetic Image
Detection [106.39544368711427]
本研究では,様々な生成手法から偽画像を検出することを目的とした,一般化可能な合成画像検出の課題について検討する。
本稿では,FatFormerという新しいフォージェリー適応トランスフォーマー手法を提案する。
提案手法は, 平均98%の精度でGANを観測し, 95%の精度で拡散モデルを解析した。
論文 参考訳(メタデータ) (2023-12-27T17:36:32Z) - Generalizable Synthetic Image Detection via Language-guided Contrastive
Learning [22.4158195581231]
偽ニュースの拡散や偽のプロフィールの作成などの合成画像の真偽の使用は、画像の真正性に関する重要な懸念を提起する。
本稿では,言語指導によるコントラスト学習と検出問題の新たな定式化による,シンプルで効果的な合成画像検出手法を提案する。
提案したLanguAge-guided SynThEsis Detection (LASTED) モデルでは,画像生成モデルに対する一般化性が大幅に向上していることが示されている。
論文 参考訳(メタデータ) (2023-05-23T08:13:27Z) - Deep Image Fingerprint: Towards Low Budget Synthetic Image Detection and
Model Lineage Analysis [10.36919027402249]
本研究では,実際の画像と区別できない画像の新たな検出方法を提案する。
本手法は、既知の生成モデルから画像を検出し、微調整された生成モデル間の関係を確立することができる。
本手法は,Stable Diffusion とMidversa が生成した画像に対して,最先端の事前学習検出手法に匹敵する性能を実現する。
論文 参考訳(メタデータ) (2023-03-19T20:31:38Z) - DiVAE: Photorealistic Images Synthesis with Denoising Diffusion Decoder [73.1010640692609]
本稿では,拡散デコーダ(DiVAE)を用いたVQ-VAEアーキテクチャモデルを提案する。
我々のモデルは最先端の成果を達成し、さらに多くのフォトリアリスティックな画像を生成する。
論文 参考訳(メタデータ) (2022-06-01T10:39:12Z) - IMAGINE: Image Synthesis by Image-Guided Model Inversion [79.4691654458141]
IMGE-Guided Model INvErsion (IMAGINE) と呼ばれるインバージョンベースの手法を導入し、高品質で多様な画像を生成します。
我々は,事前学習した分類器から画像意味論の知識を活用し,妥当な世代を実現する。
IMAGINEは,1)合成中の意味的特異性制約を同時に実施し,2)ジェネレータトレーニングなしでリアルな画像を生成し,3)生成過程を直感的に制御する。
論文 参考訳(メタデータ) (2021-04-13T02:00:24Z) - 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) - Synthetic Sample Selection via Reinforcement Learning [8.099072894865802]
本稿では,信頼性と情報的特徴を有する合成画像の選択を学習する,強化学習に基づく合成サンプル選択法を提案する。
頚部データセットとリンパ節データセットの実験では、画像分類性能がそれぞれ8.1%と2.3%向上した。
論文 参考訳(メタデータ) (2020-08-26T01:34:19Z) - Uncertainty-Aware Blind Image Quality Assessment in the Laboratory and
Wild [98.48284827503409]
我々は,テキスト化BIQAモデルを開発し,それを合成的および現実的歪みの両方で訓練するアプローチを提案する。
我々は、多数の画像ペアに対してBIQAのためのディープニューラルネットワークを最適化するために、忠実度損失を用いる。
6つのIQAデータベースの実験は、実験室と野生動物における画像品質を盲目的に評価する学習手法の可能性を示唆している。
論文 参考訳(メタデータ) (2020-05-28T13:35:23Z) - High-Fidelity Synthesis with Disentangled Representation [60.19657080953252]
本稿では,不整合学習と高忠実度合成のためのID-GAN(Information-Distillation Generative Adrial Network)を提案する。
提案手法は, VAEモデルを用いて非交叉表現を学習し, 高忠実度合成のためのGAN生成器に追加のニュアンス変数で学習表現を蒸留する。
単純さにもかかわらず,提案手法は高効率であり,不整合表現を用いた最先端の手法に匹敵する画像生成品質を実現する。
論文 参考訳(メタデータ) (2020-01-13T14:39:40Z)
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。