論文の概要: Online Detection of AI-Generated Images
- arxiv url: http://arxiv.org/abs/2310.15150v1
- Date: Mon, 23 Oct 2023 17:53:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-24 18:05:57.050621
- Title: Online Detection of AI-Generated Images
- Title(参考訳): AI生成画像のオンライン検出
- Authors: David C. Epstein, Ishan Jain, Oliver Wang, Richard Zhang
- Abstract要約: この設定における一般化、Nモデルのトレーニング、および次の(N+k)上でのテストについて研究する。
我々は、この手法を画素予測に拡張し、自動的に生成されたインペイントデータを用いて、強い性能を示す。
また、商用モデルが自動データ生成に利用できないような設定では、画素検出器が合成画像全体に対してのみ訓練可能であるかどうかを評価する。
- 参考スコア(独自算出の注目度): 17.30253784649635
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With advancements in AI-generated images coming on a continuous basis, it is
increasingly difficult to distinguish traditionally-sourced images (e.g.,
photos, artwork) from AI-generated ones. Previous detection methods study the
generalization from a single generator to another in isolation. However, in
reality, new generators are released on a streaming basis. We study
generalization in this setting, training on N models and testing on the next
(N+k), following the historical release dates of well-known generation methods.
Furthermore, images increasingly consist of both real and generated components,
for example through image inpainting. Thus, we extend this approach to pixel
prediction, demonstrating strong performance using automatically-generated
inpainted data. In addition, for settings where commercial models are not
publicly available for automatic data generation, we evaluate if pixel
detectors can be trained solely on whole synthetic images.
- Abstract(参考訳): AI生成画像の進歩が継続的に進んでいるため、従来のソース画像(写真、アートワークなど)とAI生成画像とを区別することはますます困難になっている。
従来の検出方法は、一つの発電機から別の発電機への独立な一般化を研究する。
しかし、実際には新しいジェネレータがストリーミングベースでリリースされている。
この設定での一般化、nモデルへのトレーニング、および既知の生成方法の過去のリリース日に続く次の(n+k)テストについて検討する。
さらに画像は、例えば画像のインペインティングを通じて、実際のコンポーネントと生成されたコンポーネントの両方から構成されている。
そこで,このアプローチを画素予測に拡張し,自動生成インパインデータを用いて強力な性能を示す。
さらに,自動データ生成のための商用モデルが公開されていない環境では,画素検出器が合成画像全体に対してのみトレーニング可能であるかどうかを評価する。
関連論文リスト
- Self-Supervised Learning for Detecting AI-Generated Faces as Anomalies [58.11545090128854]
本稿では、写真顔画像から純粋にカメラ固有の特徴と顔特有の特徴の自己教師付き学習を活用することで、AI生成顔の異常検出手法について述べる。
提案手法の成功は,特徴抽出器を訓練して4つの通常交換可能な画像ファイルフォーマット(EXIF)をランク付けし,人工的に操作された顔画像の分類を行うプリテキストタスクを設計することにある。
論文 参考訳(メタデータ) (2025-01-04T06:23:24Z) - Zero-Shot Detection of AI-Generated Images [54.01282123570917]
AI生成画像を検出するゼロショットエントロピー検出器(ZED)を提案する。
機械によるテキスト検出の最近の研究に触発された私たちのアイデアは、分析対象の画像が実際の画像のモデルと比較してどれだけ驚くかを測定することである。
ZEDは精度の点でSoTAよりも平均3%以上改善されている。
論文 参考訳(メタデータ) (2024-09-24T08:46:13Z) - Contrasting Deepfakes Diffusion via Contrastive Learning and Global-Local Similarities [88.398085358514]
Contrastive Deepfake Embeddings (CoDE)は、ディープフェイク検出に特化した新しい埋め込み空間である。
CoDEは、グローバルローカルな類似性をさらに強化することで、対照的な学習を通じて訓練される。
論文 参考訳(メタデータ) (2024-07-29T18:00:10Z) - A Sanity Check for AI-generated Image Detection [49.08585395873425]
我々はAI生成画像を検出するAI生成画像検出装置(AI生成画像検出装置)を提案する。
AIDEは最先端の手法を+3.5%、+4.6%改善した。
論文 参考訳(メタデータ) (2024-06-27T17:59:49Z) - RIGID: A Training-free and Model-Agnostic Framework for Robust AI-Generated Image Detection [60.960988614701414]
RIGIDは、堅牢なAI生成画像検出のためのトレーニング不要でモデルに依存しない方法である。
RIGIDは、既存のトレーニングベースおよびトレーニング不要な検出器を著しく上回っている。
論文 参考訳(メタデータ) (2024-05-30T14:49:54Z) - The Adversarial AI-Art: Understanding, Generation, Detection, and Benchmarking [47.08666835021915]
本稿では,AI生成画像(AI-art)を敵のシナリオで理解し,検出するための体系的な試みを提案する。
ARIAという名前のデータセットには、アートワーク(絵画)、ソーシャルメディアイメージ、ニュース写真、災害シーン、アニメ画像の5つのカテゴリに140万以上の画像が含まれている。
論文 参考訳(メタデータ) (2024-04-22T21:00:13Z) - PatchCraft: Exploring Texture Patch for Efficient AI-generated Image
Detection [39.820699370876916]
本稿では,多種多様な生成モデルを用いて生成した偽画像を識別できる新しいAI生成画像検出器を提案する。
グローバルな意味情報を消去し,テクスチャパッチを強化するために,新しいSmash&Reconstruction前処理を提案する。
我々のアプローチは最先端のベースラインよりも大きなマージンで優れています。
論文 参考訳(メタデータ) (2023-11-21T07:12:40Z) - Securing Deep Generative Models with Universal Adversarial Signature [69.51685424016055]
深い生成モデルは、その潜在的な誤用のために社会に脅威をもたらす。
本稿では,任意の事前学習型生成モデルに普遍的逆数シグネチャを注入することを提案する。
提案手法は, FFHQ と ImageNet のデータセット上で, 様々な最先端生成モデルを用いて検証する。
論文 参考訳(メタデータ) (2023-05-25T17:59:01Z) - Augmentation-Interpolative AutoEncoders for Unsupervised Few-Shot Image
Generation [45.380129419065746]
Augmentation-Interpolative AutoEncodersは、いくつかの参照画像から新しいオブジェクトの現実的なイメージを合成する。
我々の手順はシンプルで軽量であり、広範囲に一般化されており、訓練中にカテゴリラベルやその他の監督を必要としない。
論文 参考訳(メタデータ) (2020-11-25T21:18:55Z)
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。