Fugu-MT 論文翻訳(概要): Fingerprints of Generative Models in the Frequency Domain

論文の概要: Fingerprints of Generative Models in the Frequency Domain

arxiv url: http://arxiv.org/abs/2307.15977v1
Date: Sat, 29 Jul 2023 13:00:42 GMT
ステータス: 処理完了
システム内更新日: 2023-08-01 18:27:02.227934
Title: Fingerprints of Generative Models in the Frequency Domain
Title（参考訳）: 周波数領域における生成モデルの指紋
Authors: Tianyun Yang, Juan Cao, Danding Wang, Chang Xu
Abstract要約: 既存の研究では、CNNベースの生成モデルが生成された画像にユニークな指紋を残すことが確認されている。周波数分布と格子状パターンの相違点をスペクトル上に示す。これらの知見を利用して低コストな合成モデルを開発し、実際の生成モデルで観測される周波数パターンをエミュレートする画像を生成する。得られた指紋抽出装置は,GAN,VAE,フロー,拡散などの実際のCNNベース生成モデルの検証,識別,解析において,優れた転写性を示す。
参考スコア（独自算出の注目度）: 23.081943844811764
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: It is verified in existing works that CNN-based generative models leave unique fingerprints on generated images. There is a lack of analysis about how they are formed in generative models. Interpreting network components in the frequency domain, we derive sources for frequency distribution and grid-like pattern discrepancies exhibited on the spectrum. These insights are leveraged to develop low-cost synthetic models, which generate images emulating the frequency patterns observed in real generative models. The resulting fingerprint extractor pre-trained on synthetic data shows superior transferability in verifying, identifying, and analyzing the relationship of real CNN-based generative models such as GAN, VAE, Flow, and diffusion.
Abstract（参考訳）: 既存の研究では、CNNベースの生成モデルは生成された画像にユニークな指紋を残すことが確認されている。生成モデルでどのように形成されるかは分析されていない。周波数領域のネットワーク成分を解釈し,周波数分布とスペクトルに現れる格子状パターンの相違点を導出する。これらの知見を利用して低コストな合成モデルを開発し、実際の生成モデルで観測される周波数パターンをエミュレートする画像を生成する。得られた指紋抽出装置は,GAN,VAE,フロー,拡散などの実際のCNNベース生成モデルの検証,識別,解析において,優れた転写性を示す。

関連論文リスト

Learning-based Models for Vulnerability Detection: An Extensive Study [3.1317409221921144]
我々は、最先端の学習ベースアプローチの2つのタイプを広範かつ包括的に調査する。本稿では,シーケンスベースモデルの優先度と,グラフベースモデルの限定能力について実験的に検証する。
論文参考訳（メタデータ） (2024-08-14T13:01:30Z)
Reinforcing Pre-trained Models Using Counterfactual Images [54.26310919385808]
本稿では,言語誘導型生成対実画像を用いた分類モデル強化のための新しいフレームワークを提案する。逆ファクト画像データセットを用いてモデルをテストすることにより、モデルの弱点を同定する。我々は、分類モデルを微調整し強化するために、デファクトイメージを拡張データセットとして採用する。
論文参考訳（メタデータ） (2024-06-19T08:07:14Z)
Downstream Task-Oriented Generative Model Selections on Synthetic Data Training for Fraud Detection Models [9.754400681589845]
本稿では,学習不正検出モデルにおける下流タスク指向生成モデル選択問題にアプローチする。本研究は,ニューラルネットワーク(NN)とベイジアンネットワーク(BN)をベースとした生成モデルの両方が,ゆるやかなモデル解釈可能性制約下での合成トレーニングタスクの完了に適しているが,BNベースの生成モデルは,厳密なモデル解釈可能性制約下での合成トレーニング不正検出モデルにおいて,NNベースより優れていることを裏付けるものである。
論文参考訳（メタデータ） (2024-01-01T23:33:56Z)
Fine-Tuning Generative Models as an Inference Method for Robotic Tasks [18.745665662647912]
ロボット作業における観察にニューラルネットワークモデルのサンプル生成を迅速に適応させる方法について検討する。鍵となるアイデアは、観測された証拠と一致する生成サンプルにそれを適合させることで、モデルを素早く微調整することである。本手法は自己回帰モデルと変分自己エンコーダの両方に適用可能であることを示す。
論文参考訳（メタデータ） (2023-10-19T16:11:49Z)
On the Stability of Iterative Retraining of Generative Models on their own Data [56.153542044045224]
混合データセットに対する生成モデルの訓練が与える影響について検討する。まず、初期生成モデルがデータ分布を十分に近似する条件下で反復学習の安定性を実証する。我々は、正規化フローと最先端拡散モデルを繰り返し訓練することにより、合成画像と自然画像の両方に関する我々の理論を実証的に検証する。
論文参考訳（メタデータ） (2023-09-30T16:41:04Z)
Model Provenance via Model DNA [23.885185988451667]
本稿では,機械学習モデルの特徴を表現した新しいモデルDNAについて紹介する。本研究では,対象モデルの事前学習モデルであるかどうかを識別できるモデル証明同定のための効率的なフレームワークを開発する。
論文参考訳（メタデータ） (2023-08-04T03:46:41Z)
Composing Ensembles of Pre-trained Models via Iterative Consensus [95.10641301155232]
本稿では,異なる事前学習モデルのアンサンブルを構成するための統一的なフレームワークを提案する。事前学習したモデルを「ジェネレータ」あるいは「スコーラ」として使用し、クローズドループ反復コンセンサス最適化により構成する。スコアラーのアンサンブルによって達成されたコンセンサスは、シングルスコアラーのフィードバックよりも優れていることを示す。
論文参考訳（メタデータ） (2022-10-20T18:46:31Z)
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)
Learning Robust Representations Of Generative Models Using Set-Based Artificial Fingerprints [14.191129493685212]
既存の手法はサンプル分布を通してモデル間の距離を近似する。我々は、生成モデルの表現として、ユニークな痕跡(いわゆる「人工指紋」)を考える。セットエンコーディングとコントラスト学習に基づく新しい学習手法を提案する。
論文参考訳（メタデータ） (2022-06-04T23:20:07Z)
Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文参考訳（メタデータ） (2020-10-25T18:51:15Z)
Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。このようなモデルをリアルタイム診断に利用しています。
論文参考訳（メタデータ） (2020-03-04T00:44:57Z)

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。