論文の概要: Data-Agnostic Face Image Synthesis Detection Using Bayesian CNNs

• arxiv url: http://arxiv.org/abs/2401.04241v1
• Date: Mon, 8 Jan 2024 21:23:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-10 18:21:31.663246
• Title: Data-Agnostic Face Image Synthesis Detection Using Bayesian CNNs
• Title（参考訳）: ベイジアンCNNを用いたデータ非依存顔画像合成検出
• Authors: Roberto Leyva, Victor Sanchez, Gregory Epiphaniou, Carsten Maple
• Abstract要約: 顔画像合成プロセスを検出するための,データに依存しない手法を提案する。 我々のソリューションは、推論プロセスを学ぶために実際のデータのみを必要とする異常検出フレームワークに基づいている。
• 参考スコア（独自算出の注目度）: 23.943447945946705
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Face image synthesis detection is considerably gaining attention because of the potential negative impact on society that this type of synthetic data brings. In this paper, we propose a data-agnostic solution to detect the face image synthesis process. Specifically, our solution is based on an anomaly detection framework that requires only real data to learn the inference process. It is therefore data-agnostic in the sense that it requires no synthetic face images. The solution uses the posterior probability with respect to the reference data to determine if new samples are synthetic or not. Our evaluation results using different synthesizers show that our solution is very competitive against the state-of-the-art, which requires synthetic data for training.
• Abstract（参考訳）: 顔画像合成検出は、この種の合成データが社会にもたらす潜在的なネガティブな影響により、注目を集めている。 本稿では,顔画像合成プロセスを検出するためのデータ非依存な手法を提案する。 特に、このソリューションは、推論プロセスを学ぶために実際のデータのみを必要とする異常検出フレームワークに基づいています。 したがって、合成顔画像を必要としないという意味ではデータ非依存である。 この解は、参照データに対する後方確率を用いて、新しいサンプルが合成であるか否かを判定する。 異なるシンセサイザーを用いた評価結果から,トレーニングに合成データを必要とする最先端技術と非常に競合することがわかった。

関連論文リスト

• Image change detection with only a few samples [7.5780621370948635]
  画像変化検出タスクの最大の障害は、さまざまな場面をカバーする大きな注釈付きデータセットの欠如である。 本稿では,合成データを生成するための単純な画像処理手法を提案する。 次に、対象検出に基づく初期の融合ネットワークを設計し、シアムニューラルネットを上回ります。
  論文  参考訳（メタデータ） (2023-11-07T07:01:35Z)
• A Discrepancy Aware Framework for Robust Anomaly Detection [51.710249807397695]
  本稿では,DAF(Disdisrepancy Aware Framework)を提案する。 本手法は,デコーダの欠陥同定に外見に依存しないキューを利用して,その合成外観への依存を緩和する。 単純な合成戦略の下では,既存の手法を大きなマージンで上回り,また,最先端のローカライゼーション性能も達成している。
  論文  参考訳（メタデータ） (2023-10-11T15:21:40Z)
• ContraNeRF: Generalizable Neural Radiance Fields for Synthetic-to-real Novel View Synthesis via Contrastive Learning [102.46382882098847]
  まず,合成から現実への新規な視点合成における合成データの影響について検討した。 本稿では,幾何制約を伴う多視点一貫した特徴を学習するために,幾何対応のコントラスト学習を導入することを提案する。 提案手法は,PSNR,SSIM,LPIPSの点で,既存の一般化可能な新規ビュー合成手法よりも高い画質で精細な画像を描画することができる。
  論文  参考訳（メタデータ） (2023-03-20T12:06:14Z)
• Analysis of Training Object Detection Models with Synthetic Data [0.0]
  本稿では,オブジェクト検出に合成データを使用する方法の概要を概説する。 データ生成の側面とモデルをトレーニングするテクニックを分析します。 実験は実データ上で検証され、実データでトレーニングされたモデルにベンチマークされる。
  論文  参考訳（メタデータ） (2022-11-29T10:21:16Z)
• Person Image Synthesis via Denoising Diffusion Model [116.34633988927429]
  本研究では,高忠実度人物画像合成に拡散モデルをいかに応用できるかを示す。 2つの大規模ベンチマークとユーザスタディの結果は、挑戦的なシナリオ下で提案したアプローチのフォトリアリズムを実証している。
  論文  参考訳（メタデータ） (2022-11-22T18:59:50Z)
• 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)
• Cross-Modality Neuroimage Synthesis: A Survey [71.27193056354741]
  マルチモダリティイメージングは、疾患の診断を改善し、解剖学的特性を持つ組織における相違を明らかにする。 完全な整列とペアの多モードニューロイメージングデータの存在は、脳研究においてその効果を証明している。 もう一つの解決策は、教師なしまたは弱教師なしの学習方法を探究し、欠落した神経画像データを合成することである。
  論文  参考訳（メタデータ） (2022-02-14T19:29:08Z)
• Generation of Non-Deterministic Synthetic Face Datasets Guided by Identity Priors [19.095368725147367]
  本稿では、StyleGANの構造化された潜在空間を利用して、マット付き顔画像を生成する非決定論的手法を提案する。 25,919個の合成IDを含む77,034個のサンプルからなる合成顔画像(SymFace)のデータセットを作成する。
  論文  参考訳（メタデータ） (2021-12-07T11:08:47Z)
• Synt++: Utilizing Imperfect Synthetic Data to Improve Speech Recognition [18.924716098922683]
  合成データによる機械学習は、合成データと実際のデータ分布のギャップのため、簡単ではない。 本稿では,分散ギャップに起因する問題を緩和するために,トレーニング中の2つの新しい手法を提案する。 これらの手法は,合成データを用いた音声認識モデルの訓練を著しく改善することを示す。
  論文  参考訳（メタデータ） (2021-10-21T21:11:42Z)
• SynFace: Face Recognition with Synthetic Data [83.15838126703719]
  我々は、ID混在(IM)とドメイン混在(DM)を併用したSynFaceを考案し、パフォーマンスギャップを緩和する。 また、合成顔画像の系統的実験分析を行い、合成データを顔認識に効果的に活用する方法についての知見を提供する。
  論文  参考訳（メタデータ） (2021-08-18T03:41:54Z)
• Synthetic Data for Model Selection [2.4499092754102874]
  合成データはモデル選択に有用であることを示す。 そこで本研究では,実領域に適合する合成誤差推定をキャリブレーションする新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-05-03T09:52:03Z)

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。