論文の概要: Diffusion Noise Feature: Accurate and Fast Generated Image Detection

• arxiv url: http://arxiv.org/abs/2312.02625v1
• Date: Tue, 5 Dec 2023 10:01:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-06 16:04:21.911514
• Title: Diffusion Noise Feature: Accurate and Fast Generated Image Detection
• Title（参考訳）: 拡散雑音の特徴:高精度かつ高速な画像検出
• Authors: Yichi Zhang, Xiaogang Xu
• Abstract要約: 生成モデルは、驚くほどリアルなイメージを生成できる先進的な段階に達している。 生成された画像に対する既存の画像検出器は、低精度や限定的な一般化といった課題に直面している。 本稿では,生成画像の検出能力を高めるために,強力な一般化機能を備えた表現を求めることにより,この問題に対処する。
• 参考スコア（独自算出の注目度）: 28.262273539251172
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative models have reached an advanced stage where they can produce remarkably realistic images. However, this remarkable generative capability also introduces the risk of disseminating false or misleading information. Notably, existing image detectors for generated images encounter challenges such as low accuracy and limited generalization. This paper seeks to address this issue by seeking a representation with strong generalization capabilities to enhance the detection of generated images. Our investigation has revealed that real and generated images display distinct latent Gaussian representations when subjected to an inverse diffusion process within a pre-trained diffusion model. Exploiting this disparity, we can amplify subtle artifacts in generated images. Building upon this insight, we introduce a novel image representation known as Diffusion Noise Feature (DNF). DNF is an ensemble representation that estimates the noise generated during the inverse diffusion process. A simple classifier, e.g., ResNet, trained on DNF achieves high accuracy, robustness, and generalization capabilities for detecting generated images, even from previously unseen classes or models. We conducted experiments using a widely recognized and standard dataset, achieving state-of-the-art effects of Detection.
• Abstract（参考訳）: 生成モデルは、驚くほどリアルな画像を生成できる高度な段階に達した。 しかし、この顕著な生成能力は、誤った情報や誤解を広めるリスクも生んでいる。 特に、画像生成のための既存の画像検出器は、精度の低下や一般化の制限といった課題に遭遇する。 本稿では,生成画像の検出能力を高めるために,強力な一般化機能を備えた表現を求めることにより,この問題に対処する。 本研究により, 実画像と生成画像は, 事前学習した拡散モデル内の逆拡散過程に従えば, 遅延ガウス表現が異なることが明らかとなった。 この格差を克服することで、生成した画像の微妙なアーティファクトを増幅することができる。 この知見に基づいて,拡散雑音特徴(DNF)と呼ばれる新しい画像表現を導入する。 DNFは、逆拡散過程中に発生する雑音を推定するアンサンブル表現である。 例えば、DNFで訓練されたResNetのような単純な分類器は、以前目に見えないクラスやモデルからでも生成した画像を検出するための高い精度、堅牢性、一般化機能を達成する。 広く認識された標準データセットを用いて実験を行い,最新の検出効果を得た。

関連論文リスト

• Time Step Generating: A Universal Synthesized Deepfake Image Detector [0.4488895231267077]
  汎用合成画像検出器 Time Step Generating (TSG) を提案する。 TSGは、事前訓練されたモデルの再構築能力、特定のデータセット、サンプリングアルゴリズムに依存していない。 我々は,提案したTSGを大規模GenImageベンチマークで検証し,精度と一般化性の両方において大幅な改善を実現した。
  論文  参考訳（メタデータ） (2024-11-17T09:39:50Z)
• Rethinking the Up-Sampling Operations in CNN-based Generative Network for Generalizable Deepfake Detection [86.97062579515833]
  我々は、アップサンプリング操作から生じる一般化された構造的アーティファクトをキャプチャし、特徴付ける手段として、NPR(Neighboring Pixel Relationships)の概念を紹介した。 tft28の異なる生成モデルによって生成されたサンプルを含む、オープンワールドデータセット上で包括的な分析を行う。 この分析は、新しい最先端のパフォーマンスを確立し、既存の手法よりも優れたtft11.6%の向上を示している。
  論文  参考訳（メタデータ） (2023-12-16T14:27:06Z)
• ScaleCrafter: Tuning-free Higher-Resolution Visual Generation with Diffusion Models [126.35334860896373]
  本研究では,事前学習した拡散モデルから,トレーニング画像サイズよりもはるかに高解像度で画像を生成する能力について検討する。 注意ベースや共同拡散アプローチのような、高分解能な生成のための既存の研究は、これらの問題にうまく対処できない。 本稿では,推論中の畳み込み知覚場を動的に調整できる簡易かつ効果的な再拡張法を提案する。
  論文  参考訳（メタデータ） (2023-10-11T17:52:39Z)
• Deceptive-NeRF/3DGS: Diffusion-Generated Pseudo-Observations for High-Quality Sparse-View Reconstruction [60.52716381465063]
  我々は,限られた入力画像のみを用いて,スパースビュー再構成を改善するために,Deceptive-NeRF/3DGSを導入した。 具体的には,少数視点再構成によるノイズ画像から高品質な擬似観測へ変換する,偽拡散モデルを提案する。 本システムでは,拡散生成擬似観測をトレーニング画像集合に徐々に組み込んで,スパース入力観測を5倍から10倍に高めている。
  論文  参考訳（メタデータ） (2023-05-24T14:00:32Z)
• Denoising Diffusion Models for Plug-and-Play Image Restoration [135.6359475784627]
  本稿では,従来のプラグアンドプレイ方式を拡散サンプリングフレームワークに統合したDiffPIRを提案する。 DiffPIRは、差別的なガウスのデノイザーに依存するプラグアンドプレイIR法と比較して、拡散モデルの生成能力を継承することが期待されている。
  論文  参考訳（メタデータ） (2023-05-15T20:24:38Z)
• DIRE for Diffusion-Generated Image Detection [128.95822613047298]
  拡散再構成誤り(DIRE)という新しい表現を提案する。 DIREは、予め訓練された拡散モデルにより、入力画像とその再構成画像間の誤差を測定する。 DIREは生成されたイメージと実際のイメージを区別するためのブリッジとして機能する、というヒントを提供する。
  論文  参考訳（メタデータ） (2023-03-16T13:15:03Z)
• Detecting Images Generated by Diffusers [12.986394431694206]
  MSCOCOとWikimediaのデータセットのキャプションから生成された画像は、安定拡散とGLIDEの2つの最先端モデルを用いて検討する。 実験の結果, 単純なマルチ層パーセプトロンを用いて生成した画像を検出することができることがわかった。 関連したテキスト情報を画像に組み込むと、検出結果が大幅に改善されることは滅多にない。
  論文  参考訳（メタデータ） (2023-03-09T14:14:29Z)
• 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)
• Spectral Distribution Aware Image Generation [11.295032417617456]
  フォトリアリスティック画像の深部生成モデルは、人間の目で実際の画像と容易に区別できない。 スペクトル判別器を用いて実データの周波数分布に応じて画像を生成することを提案する。 この結果から,実際の周波数スペクトルによる画像生成がより容易であり,検出が困難であることが示唆された。
  論文  参考訳（メタデータ） (2020-12-05T19:46:48Z)

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。