Fugu-MT 論文翻訳(概要): Biomedical Image Splicing Detection using Uncertainty-Guided Refinement

論文の概要: Biomedical Image Splicing Detection using Uncertainty-Guided Refinement

arxiv url: http://arxiv.org/abs/2309.16388v1
Date: Thu, 28 Sep 2023 12:36:12 GMT
ステータス: 処理完了
システム内更新日: 2023-09-29 14:38:29.821106
Title: Biomedical Image Splicing Detection using Uncertainty-Guided Refinement
Title（参考訳）: 不確かさ誘導によるバイオメディカル画像スプライシング検出
Authors: Xun Lin, Wenzhong Tang, Shuai Wang, Zitong Yu, Yizhong Liu, Haoran Wang, Ying Fu, Alex Kot
Abstract要約: 本研究では, 破壊要因の影響を軽減するために, 不確実性誘導型リファインメントネットワーク(URN)を提案する。 URNは、地域間の破壊的要因によって引き起こされる信頼できない情報の流れの伝播を明示的に抑制することができる。 1,290個のスプライシング画像からなるバイオメディカルイメージスプライシング(BioSp)検出のためのデータセットを構築した。
参考スコア（独自算出の注目度）: 34.29545110059532
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recently, a surge in biomedical academic publications suspected of image manipulation has led to numerous retractions, turning biomedical image forensics into a research hotspot. While manipulation detectors are concerning, the specific detection of splicing traces in biomedical images remains underexplored. The disruptive factors within biomedical images, such as artifacts, abnormal patterns, and noises, show misleading features like the splicing traces, greatly increasing the challenge for this task. Moreover, the scarcity of high-quality spliced biomedical images also limits potential advancements in this field. In this work, we propose an Uncertainty-guided Refinement Network (URN) to mitigate the effects of these disruptive factors. Our URN can explicitly suppress the propagation of unreliable information flow caused by disruptive factors among regions, thereby obtaining robust features. Moreover, URN enables a concentration on the refinement of uncertainly predicted regions during the decoding phase. Besides, we construct a dataset for Biomedical image Splicing (BioSp) detection, which consists of 1,290 spliced images. Compared with existing datasets, BioSp comprises the largest number of spliced images and the most diverse sources. Comprehensive experiments on three benchmark datasets demonstrate the superiority of the proposed method. Meanwhile, we verify the generalizability of URN when against cross-dataset domain shifts and its robustness to resist post-processing approaches. Our BioSp dataset will be released upon acceptance.
Abstract（参考訳）: 近年,画像操作が疑われる生物医学的学術出版物が急増し,生物医学的画像法医学が研究のホットスポットとなっている。操作検出装置が関係している間、生体画像中のスプライシングトレースの特定検出は未発見のままである。人工物、異常パターン、ノイズなどの生体画像内の破壊的要因は、スプライシングトレースのような誤解を招く特徴を示しており、このタスクの課題は大幅に増大した。さらに,高品質なスプライシングバイオメディカル画像の不足は,この分野の潜在的な進歩を妨げている。本研究では,これらの破壊要因の影響を軽減するために,不確実性誘導型リファインメントネットワーク(URN)を提案する。このurnは,領域間の破壊要因による信頼できない情報流の伝播を抑制することにより,堅牢な特徴を得ることができる。さらに、URNはデコードフェーズ中に不確実な予測領域の精製に集中することができる。さらに,1,290個のスプライシング画像からなるバイオメディカルイメージスプライシング(BioSp)検出のためのデータセットを構築した。既存のデータセットと比較すると、BioSpは最大数のスプライシングイメージと最も多様なソースで構成されている。 3つのベンチマークデータセットに関する包括的実験により,提案手法の優越性が示された。一方,クロスデータセット領域シフトに対するurnの一般化性と,後処理アプローチに対する頑健性を検証する。 BioSpデータセットは受け入れ次第リリースします。

関連論文リスト

Semi-Truths: A Large-Scale Dataset of AI-Augmented Images for Evaluating Robustness of AI-Generated Image detectors [62.63467652611788]
実画像27,600枚、223,400枚、AI拡張画像1,472,700枚を含むSEMI-TRUTHSを紹介する。それぞれの画像には、検出器のロバスト性の標準化と目標評価のためのメタデータが添付されている。以上の結果から,現状の検出器は摂動の種類や程度,データ分布,拡張方法に様々な感度を示すことが示唆された。
論文参考訳（メタデータ） (2024-11-12T01:17:27Z)
Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
論文参考訳（メタデータ） (2024-08-28T10:07:17Z)
Improving Synthetic Image Detection Towards Generalization: An Image Transformation Perspective [45.210030086193775]
現在の合成画像検出(SID)パイプラインは、主に普遍的なアーティファクト機能を構築することを目的としている。 3つの簡単な画像変換を持つ軽量かつ効率的な検出器SAFEを提案する。我々のパイプラインは、新しい最先端のパフォーマンスを実現し、既存の手法に対する平均精度は4.5%、平均精度は2.9%向上した。
論文参考訳（メタデータ） (2024-08-13T09:01:12Z)
DA-HFNet: Progressive Fine-Grained Forgery Image Detection and Localization Based on Dual Attention [12.36906630199689]
DA-HFNet鍛造画像データセットをテキストまたは画像支援GANおよび拡散モデルで作成する。我々のゴールは、階層的なプログレッシブネットワークを使用して、異なるスケールの偽造物を検出およびローカライゼーションするために捕獲することである。
論文参考訳（メタデータ） (2024-06-03T16:13:33Z)
Fake or JPEG? Revealing Common Biases in Generated Image Detection Datasets [6.554757265434464]
AI生成画像検出のための多くのデータセットには、JPEG圧縮と画像サイズに関するバイアスが含まれている。我々は、検出器が本当にこれらの望ましくない要因から学習できることを実証した。これにより、ResNet50とSwin-T検出器のクロスジェネレータ性能が11%以上向上する。
論文参考訳（メタデータ） (2024-03-26T11:39:00Z)
Diffusion Facial Forgery Detection [56.69763252655695]
本稿では,顔に焦点をあてた拡散生成画像を対象とした包括的データセットであるDiFFを紹介する。人体実験といくつかの代表的な偽造検出手法を用いて,DiFFデータセットの広範な実験を行った。その結果、人間の観察者と自動検出者の2値検出精度は30%以下であることが判明した。
論文参考訳（メタデータ） (2024-01-29T03:20:19Z)
Leveraging Neural Radiance Fields for Uncertainty-Aware Visual Localization [56.95046107046027]
我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
論文参考訳（メタデータ） (2023-10-10T20:11:13Z)
X-Transfer: A Transfer Learning-Based Framework for GAN-Generated Fake Image Detection [33.31312811230408]
顔置換などの偽画像を生成するためにGANを誤用することは、重大なセキュリティ上の懸念を引き起こす。本稿では,新しい画像検出アルゴリズムであるX-Transferを提案する。インターリーブされた並列勾配伝送を利用する2つのニューラルネットワークを利用することで、トランスファーラーニングを強化する。
論文参考訳（メタデータ） (2023-10-07T01:23:49Z)
On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文参考訳（メタデータ） (2023-06-23T03:09:03Z)
Amplitude SAR Imagery Splicing Localization [17.075910584827568]
本稿では,局所化に伴う振幅SAR画像の問題点について検討する。我々は、畳み込みニューラルネットワーク(CNN)を用いて、解析された入力の処理トレースにおける不整合を強調した指紋を抽出する。提案手法は,SAR信号の性質に適合し,自然画像のために開発された最先端の法医学ツールよりも優れた性能が得られることを示す。
論文参考訳（メタデータ） (2022-01-07T11:42:09Z)
Beyond the Spectrum: Detecting Deepfakes via Re-Synthesis [69.09526348527203]
ディープフェイク(Deepfakes)として知られる非常に現実的なメディアは、現実の目から人間の目まで区別できない。本研究では,テスト画像を再合成し,検出のための視覚的手がかりを抽出する,新しい偽検出手法を提案する。種々の検出シナリオにおいて,提案手法の摂動に対する有効性の向上,GANの一般化,堅牢性を示す。
論文参考訳（メタデータ） (2021-05-29T21:22:24Z)

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。