論文の概要: RFDforFin: Robust Deep Forgery Detection for GAN-generated Fingerprint Images

• arxiv url: http://arxiv.org/abs/2308.09285v1
• Date: Fri, 18 Aug 2023 04:05:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-21 14:46:43.687902
• Title: RFDforFin: Robust Deep Forgery Detection for GAN-generated Fingerprint Images
• Title（参考訳）: RFDforFin:GAN生成指紋画像のロバスト深部偽造検出
• Authors: Hui Miao, Yuanfang Guo and Yunhong Wang
• Abstract要約: 本稿では,GAN生成画像の独自の隆起特性と生成アーティファクトを組み合わせた指紋画像に対する最初の深部偽造検出手法を提案する。 提案手法は,低複雑性で有効かつ堅牢である。
• 参考スコア（独自算出の注目度）: 45.73061833269094
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid development of the image generation technologies, the malicious abuses of the GAN-generated fingerprint images poses a significant threat to the public safety in certain circumstances. Although the existing universal deep forgery detection approach can be applied to detect the fake fingerprint images, they are easily attacked and have poor robustness. Meanwhile, there is no specifically designed deep forgery detection method for fingerprint images. In this paper, we propose the first deep forgery detection approach for fingerprint images, which combines unique ridge features of fingerprint and generation artifacts of the GAN-generated images, to the best of our knowledge. Specifically, we firstly construct a ridge stream, which exploits the grayscale variations along the ridges to extract unique fingerprint-specific features. Then, we construct a generation artifact stream, in which the FFT-based spectrums of the input fingerprint images are exploited, to extract more robust generation artifact features. At last, the unique ridge features and generation artifact features are fused for binary classification (\textit{i.e.}, real or fake). Comprehensive experiments demonstrate that our proposed approach is effective and robust with low complexities.
• Abstract（参考訳）: 画像生成技術の急速な発展に伴い、GAN生成指紋画像の悪用は、特定の状況において公衆の安全に重大な脅威をもたらす。 既存のユニバーサルディープ偽造検出手法は偽の指紋画像の検出に応用できるが、容易に攻撃され、堅牢性に乏しい。 一方,指紋画像の深部偽造検出法は特に設計されていない。 本稿では, 指紋のユニークなリッジ特徴とgan生成画像の生成成果物を組み合わせた, 指紋画像に対する最初の深い偽造検出手法を提案する。 具体的にはまず,尾根に沿った灰色変化を利用して特異な指紋特徴を抽出するリッジストリームを構築した。 次に、入力指紋画像のfftに基づくスペクトルを活用した生成アーチファクトストリームを構築し、より堅牢な生成アーチファクト特徴を抽出する。 最後に、ユニークなリッジ機能と生成アーティファクト機能はバイナリ分類のために融合される(\textit{i.e}, real or fake)。 包括的実験により,提案手法は低複雑性で有効かつ堅牢であることが示された。

関連論文リスト

• UniForensics: Face Forgery Detection via General Facial Representation [60.5421627990707]
  高レベルの意味的特徴は摂動の影響を受けにくく、フォージェリー固有の人工物に限らないため、より強い一般化がある。 我々は、トランスフォーマーベースのビデオネットワークを活用する新しいディープフェイク検出フレームワークUniForensicsを導入し、顔の豊かな表現のためのメタファンクショナルな顔分類を行う。
  論文  参考訳（メタデータ） (2024-07-26T20:51:54Z)
• Synthetic Latent Fingerprint Generation Using Style Transfer [6.530917936319386]
  そこで我々は,現実的な潜伏指紋を合成するために,スタイル転送と画像ブレンディングを用いたシンプルで効果的なアプローチを提案する。 評価基準と実験により,生成した合成潜伏指紋は,入力された接触指紋から識別情報を保存していることが示された。
  論文  参考訳（メタデータ） (2023-09-27T15:47:00Z)
• General GAN-generated image detection by data augmentation in fingerprint domain [3.456122013525227]
  まず,自動エンコーダを用いたGAN指紋抽出装置を用いて,GAN生成画像の指紋と内容を分離する。 元の指紋は乱れた指紋で代用され、元のコンテンツに追加され、視覚的に不変だが異なる指紋を持つ画像を生成する。 我々の知る限り、私たちはフィンガードメインでデータ拡張を行う最初の人物です。
  論文  参考訳（メタデータ） (2022-12-27T12:37:11Z)
• Hierarchical Perceptual Noise Injection for Social Media Fingerprint Privacy Protection [106.5308793283895]
  ソーシャルメディアからの指紋漏洩は 画像を匿名化したいという強い欲求を喚起します 指紋漏洩を保護するために、画像に知覚不能な摂動を加えることにより、敵攻撃が解決策として現れる。 この問題を解決するために,階層型パーセプティカルノイズ注入フレームワークであるFingerSafeを提案する。
  論文  参考訳（メタデータ） (2022-08-23T02:20:46Z)
• FIGO: Enhanced Fingerprint Identification Approach Using GAN and One Shot Learning Techniques [0.0]
  本稿では,生成逆数ネットワークとワンショット学習技術に基づく指紋識別手法を提案する。 まず,低画質の指紋画像を,指紋強調層に直接画素を向けて高レベルの指紋画像に変換するPix2Pixモデルを提案する。 第2に,指紋識別プロセスにおいて,各指紋を他の指紋と区別するために,ワンショット学習アプローチを用いた完全自動指紋特徴抽出モデルを構築した。
  論文  参考訳（メタデータ） (2022-08-11T02:45:42Z)
• Self-supervised GAN Detector [10.963740942220168]
  生成モデルは 不正や 破壊 偽ニュースなど 悪意のある目的で悪用される トレーニング設定外の未確認画像を識別する新しいフレームワークを提案する。 提案手法は,GAN画像の高品質な人工指紋を再構成する人工指紋生成装置から構成する。
  論文  参考訳（メタデータ） (2021-11-12T06:19:04Z)
• Fingerprinting Image-to-Image Generative Adversarial Networks [53.02510603622128]
  Generative Adversarial Networks (GAN) は様々なアプリケーションシナリオで広く利用されている。 本稿では,信頼できる第三者に基づく画像間GANの知的保護のための新しい指紋認証方式を提案する。
  論文  参考訳（メタデータ） (2021-06-19T06:25:10Z)
• Learning to Disentangle GAN Fingerprint for Fake Image Attribution [25.140200292000046]
  本稿では,GAN生成画像から指紋を遠ざけるためのGFD-Netを提案する。 指紋の安定性と識別性を保証するために,一連の制約が設けられている。 我々のGFD-Netは、クローズドワールドとオープンワールドの両方のテストにおいて、優れたフェイク画像帰属性能を達成している。
  論文  参考訳（メタデータ） (2021-06-16T12:50:40Z)
• Responsible Disclosure of Generative Models Using Scalable Fingerprinting [70.81987741132451]
  深層生成モデルは質的に新しいパフォーマンスレベルを達成した。 この技術がスプーフセンサーに誤用され、ディープフェイクを発生させ、大規模な誤情報を可能にするという懸念がある。 最先端のジェネレーションモデルを責任を持って公開することで、研究者や企業がモデルに指紋を刻むことができます。
  論文  参考訳（メタデータ） (2020-12-16T03:51:54Z)
• Artificial Fingerprinting for Generative Models: Rooting Deepfake Attribution in Training Data [64.65952078807086]
  光現実性画像生成は、GAN(Generative Adversarial Network)のブレークスルーにより、新たな品質レベルに達した。 しかし、このようなディープフェイクのダークサイド、すなわち生成されたメディアの悪意ある使用は、視覚的誤報に関する懸念を提起する。 我々は,モデルに人工指紋を導入することによって,深度検出の積極的な,持続可能なソリューションを模索する。
  論文  参考訳（メタデータ） (2020-07-16T16:49:55Z)

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。