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
- Active Generation for Image Classification [50.18107721267218]
本稿では,モデルのニーズと特徴に着目し,画像生成の効率性に対処することを提案する。
能動学習の中心的傾向として,ActGenという手法が,画像生成のトレーニング・アウェア・アプローチを取り入れている。
論文 参考訳(メタデータ) (2024-03-11T08:45:31Z) - AI-Generated Images Introduce Invisible Relevance Bias to Text-Image
Retrieval [70.54890125718387]
我々は,AI生成画像がテキスト画像検索モデルに目に見えない関連性バイアスをもたらすことを示す。
検索モデルのトレーニングデータにAI生成画像を含めると、目に見えない関連性バイアスが増す。
本研究では,目に見えない関連バイアスを軽減するための効果的なトレーニング手法を提案する。
論文 参考訳(メタデータ) (2023-11-23T16:22:58Z) - 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) - Detecting Generated Images by Real Images Only [64.12501227493765]
既存の画像検出手法は、生成画像中の視覚的アーティファクトを検出したり、大規模なトレーニングによって、実画像と生成画像の両方から識別的特徴を学習する。
本稿では,新たな視点から生成した画像検出問題にアプローチする。
実画像の共通性を見つけ、特徴空間内の密接な部分空間にマッピングすることで、生成した画像は生成モデルに関係なくサブ空間の外側に投影される。
論文 参考訳(メタデータ) (2023-11-02T03:09:37Z) - 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) - Deep Image Fingerprint: Towards Low Budget Synthetic Image Detection and
Model Lineage Analysis [10.36919027402249]
本研究では,実際の画像と区別できない画像の新たな検出方法を提案する。
本手法は、既知の生成モデルから画像を検出し、微調整された生成モデル間の関係を確立することができる。
本手法は,Stable Diffusion とMidversa が生成した画像に対して,最先端の事前学習検出手法に匹敵する性能を実現する。
論文 参考訳(メタデータ) (2023-03-19T20:31:38Z) - 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) - 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) - Ensembling with Deep Generative Views [72.70801582346344]
生成モデルは、色やポーズの変化などの現実世界の変動を模倣する人工画像の「ビュー」を合成することができる。
そこで本研究では, 画像分類などの下流解析作業において, 実画像に適用できるかどうかを検討する。
StyleGAN2を再生増強の源として使用し、顔の属性、猫の顔、車を含む分類タスクについてこの設定を調査します。
論文 参考訳(メタデータ) (2021-04-29T17:58:35Z) - 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。