論文の概要: Exposing Image Splicing Traces in Scientific Publications via Uncertainty-guided Refinement
- arxiv url: http://arxiv.org/abs/2309.16388v2
- Date: Thu, 18 Apr 2024 15:32:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-19 14:29:13.928839
- Title: Exposing Image Splicing Traces in Scientific Publications via Uncertainty-guided Refinement
- Title（参考訳）: 不確実性誘導リファインメントによる科学的出版物中の痕跡画像の抽出
- Authors: Xun Lin, Wenzhong Tang, Haoran Wang, Yizhong Liu, Yakun Ju, Shuai Wang, Zitong Yu,
- Abstract要約: 画像操作の疑いのある科学出版物の急増は、多くの撤回につながった。
画像スプライシング検出は、参照画像の欠如と典型的には小さな改ざんされた領域のため、より困難である。
本稿では,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。
- 参考スコア（独自算出の注目度）: 30.698359275889363
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recently, a surge in scientific publications suspected of image manipulation has led to numerous retractions, bringing the issue of image integrity into sharp focus. Although research on forensic detectors for image plagiarism and image synthesis exists, the detection of image splicing traces in scientific publications remains unexplored. Compared to image duplication and synthesis, image splicing detection is more challenging due to the lack of reference images and the typically small tampered areas. Furthermore, disruptive factors in scientific images, such as artifacts from digital compression, abnormal patterns, and noise from physical operations, present misleading features like splicing traces, significantly increasing the difficulty of this task. Moreover, the scarcity of high-quality datasets of spliced scientific images limits potential advancements. In this work, we propose an Uncertainty-guided Refinement Network (URN) to mitigate the impact of these disruptive factors. Our URN can explicitly suppress the propagation of unreliable information flow caused by disruptive factors between regions, thus obtaining robust splicing features. Additionally, the URN is designed to concentrate improvements in uncertain prediction areas during the decoding phase. We also construct a dataset for image splicing detection (SciSp) containing 1,290 spliced images. Compared to existing datasets, SciSp includes the largest number of spliced images and the most diverse sources. Comprehensive experiments conducted on three benchmark datasets demonstrate the superiority of our approach. We also validate the URN's generalisability in resisting cross-dataset domain shifts and its robustness against various post-processing techniques, including advanced deep-learning-based inpainting.
- Abstract（参考訳）: 近年、画像操作の疑いのある科学出版物が急増し、多くのリトラクションが生まれ、画像整合性の問題に焦点が当てられている。
画像プラギアリズムと画像合成のための法医学的検出器の研究は存在するが、学術出版物における画像スプライシングの痕跡の検出は未発見のままである。
画像重複や合成と比較すると、参照画像の欠如と典型的には小さな改ざん領域のため、画像スプライシング検出はより困難である。
さらに、デジタル圧縮の人工物、異常パターン、物理的操作のノイズなどの科学的イメージの破壊的要因は、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、この課題の難しさを著しく増大させる。
さらに、スプライシングされた科学画像の高品質なデータセットの不足により、潜在的な進歩が制限される。
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。
我々のURNは、地域間の破壊要因によ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、堅牢なスプライシング特性を得ることができる。
さらに、URNはデコードフェーズにおける不確実な予測領域の改善に集中するように設計されている。
また,1,290個のスプライシング画像を含む画像スプライシング検出データセット(SciSp)を構築した。
既存のデータセットと比較すると、SciSp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を含んでいる。
3つのベンチマークデータセットで実施した総合的な実験は、我々のアプローチの優位性を実証している。
また, クロスデータセットドメインシフトに対するURNの汎用性と, 先進的な深層学習による着色など, ポストプロセッシング技術に対する堅牢性についても検証した。
関連論文リスト
- 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) - Multi-Scale Texture Loss for CT denoising with GANs [0.9349653765341301]
GAN(Generative Adversarial Networks)は、医療画像の応用を認知するための強力なフレームワークとして証明されている。
本研究は,Gray-Level-Co-occurrence Matrix (GLCM) の内在的マルチスケール特性を利用した損失関数を提案する。
また,画像から抽出したマルチスケールテクスチャ情報を動的に集約する自己認識層を導入する。
論文 参考訳（メタデータ） (2024-03-25T11:28:52Z) - 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) - CoCoNet: Coupled Contrastive Learning Network with Multi-level Feature
Ensemble for Multi-modality Image Fusion [72.8898811120795]
我々は、赤外線と可視画像の融合を実現するために、CoCoNetと呼ばれるコントラスト学習ネットワークを提案する。
本手法は,主観的評価と客観的評価の両面において,最先端(SOTA)性能を実現する。
論文 参考訳（メタデータ） (2022-11-20T12:02:07Z) - 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) - Spatial-Phase Shallow Learning: Rethinking Face Forgery Detection in
Frequency Domain [88.7339322596758]
本論文では,空間画像と位相スペクトルを組み合わせ,顔の偽造のアップサンプリング成果をキャプチャするSPSL(Spatial-Phase Shallow Learning)法を提案する。
SPSLは、クロスデータセット評価における最先端性能とマルチクラス分類を実現し、単一データセット評価において同等の結果を得ることができる。
論文 参考訳（メタデータ） (2021-03-02T16:45:08Z)
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。