論文の概要: On the Exploitation of DCT-Traces in the Generative-AI Domain
- arxiv url: http://arxiv.org/abs/2402.02209v1
- Date: Sat, 3 Feb 2024 16:45:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 21:27:42.332862
- Title: On the Exploitation of DCT-Traces in the Generative-AI Domain
- Title(参考訳): 生成AIドメインにおけるDCTトレースの爆発について
- Authors: Orazio Pontorno (1), Luca Guarnera (1), Sebastiano Battiato (1) ((1)
University of Catania)
- Abstract要約: 生成モデルは、既存のディープフェイク検出器の一般化限界を改善するために利用される合成データにユニークな痕跡を残している。
本稿では、離散コサイン変換(DCT)のβ-AC係数を詳細に検討し、周波数領域のディープフェイク画像を解析した。
この結果から, 生成モデルが残した痕跡の分析を改善するために, β-AC係数の特定の組み合わせを用いることの有意な可能性を明らかにした。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Since their appearance, Deepfakes represent one of the toughest challenges in
the world of Cybersecurity and Digital Forensics. In recent years, researchers
have discovered that generative models leave unique traces in synthetic data
that, if analyzed and identified in detail, can be exploited to improve the
generalization limitations of existing deepfake detectors. To capture this
evidence, in this paper we analyzed deepfake images in the frequency domain,
examining in detail the beta-AC coefficients of the Discrete Cosine Transform
(DCT). Recognizing that not all coefficients contribute equally to image
recognition, we hypothesize the existence of a unique "discriminative
fingerprint" for each type of image, embedded in specific combinations of
coefficients. To identify them, Machine Learning classifiers were trained on
various combinations of coefficients. The integration of the Explainable AI
(XAI) LIME algorithm combined with a neural classifier to explore alternative
combinations of coefficients provides a deeper insight into the discriminative
features of synthetic images. Experimental results reveal the significant
potential of using a specific combination of beta-AC coefficients in order to
improve the analysis of traces left by generative models.
- Abstract(参考訳): その登場以来、Deepfakesはサイバーセキュリティとデジタル犯罪の世界でもっとも困難な課題の1つだ。
近年の研究では、生成モデルが合成データにユニークな痕跡を残していることが発見されており、分析され詳細が特定できれば、既存のディープフェイク検出器の一般化限界を改善するために利用することができる。
そこで本研究では, 離散コサイン変換(DCT)のβ-AC係数を詳細に検討し, 周波数領域のディープフェイク画像を解析した。
すべての係数が画像認識に等しく寄与するわけではないことを認識し、係数の特定の組み合わせに埋め込まれた画像の種類ごとにユニークな「識別指紋」の存在を仮定する。
それらを特定するために、機械学習分類器は様々な係数の組み合わせで訓練された。
説明可能なai(xai)ライムアルゴリズムと神経分類器を組み合わせることで、係数の代替組み合わせを探索することで、合成画像の識別的特徴に関する深い洞察が得られる。
実験結果から, 生成モデルが残した痕跡の分析を改善するために, β-AC係数の特定の組み合わせを用いることの有意な可能性を明らかにした。
関連論文リスト
- GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross
Appearance-Edge Learning [49.93362169016503]
フォトリアリスティック・ジェネレータの急速な進歩は、真の画像と操作された画像の相違がますます不明瞭になっている臨界点に達している。
公開されている顔の偽造データセットはいくつかあるが、偽造顔は主にGANベースの合成技術を用いて生成される。
我々は,大規模で多様できめ細かな高忠実度データセットであるGenFaceを提案し,ディープフェイク検出の進展を促進する。
論文 参考訳(メタデータ) (2024-02-03T03:13:50Z) - 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) - Generalized Deepfakes Detection with Reconstructed-Blended Images and
Multi-scale Feature Reconstruction Network [14.749857283918157]
未確認データセットに対する堅牢な適用性を有するブレンドベース検出手法を提案する。
実験により、この手法により、未知のデータ上でのクロスマニピュレーション検出とクロスデータセット検出の両方のパフォーマンスが向上することが示された。
論文 参考訳(メタデータ) (2023-12-13T09:49:15Z) - MMNet: Multi-Collaboration and Multi-Supervision Network for Sequential
Deepfake Detection [81.59191603867586]
シークエンシャルディープフェイク検出は、回復のための正しいシーケンスで偽の顔領域を特定することを目的としている。
偽画像の復元には、逆変換を実装するための操作モデルの知識が必要である。
顔画像の空間スケールや逐次順列化を扱うマルチコラボレーション・マルチスーパービジョンネットワーク(MMNet)を提案する。
論文 参考訳(メタデータ) (2023-07-06T02:32:08Z) - 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) - Label Geometry Aware Discriminator for Conditional Generative Networks [40.89719383597279]
条件付きGenerative Adversarial Networks(GAN)は、目的のターゲットクラスで高画質の画像を生成することができます。
これらの合成画像は、画像分類などの下流監督タスクを改善するために必ずしも役に立たない。
論文 参考訳(メタデータ) (2021-05-12T08:17:25Z) - Fighting deepfakes by detecting GAN DCT anomalies [0.0]
最先端アルゴリズムはディープニューラルネットワークを使って偽のコンテンツを検出する。
ディープフェイク画像の高精度判別が可能な新しい高速検出法を提案する。
この手法は革新的であり、最先端技術を超え、説明可能性の観点から多くの洞察を与えている。
論文 参考訳(メタデータ) (2021-01-24T19:45:11Z) - Firearm Detection via Convolutional Neural Networks: Comparing a
Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。
これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。
従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
論文 参考訳(メタデータ) (2020-12-17T15:19:29Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z) - When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である
本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。
ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
論文 参考訳(メタデータ) (2020-02-24T11:35:28Z)
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。