論文の概要: WildFake: A Large-scale Challenging Dataset for AI-Generated Images
Detection
- arxiv url: http://arxiv.org/abs/2402.11843v1
- Date: Mon, 19 Feb 2024 05:13:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-20 18:16:53.029809
- Title: WildFake: A Large-scale Challenging Dataset for AI-Generated Images
Detection
- Title（参考訳）: WildFake:AI生成画像検出のための大規模カオスデータセット
- Authors: Yan Hong, Jianfu Zhang
- Abstract要約: 我々は、最先端のジェネレータ、多様なオブジェクトカテゴリ、実世界のアプリケーションからなる大規模データセットWildFakeを提案する。
WildFakeデータセットには次のような利点がある。 Rich Content with Wildコレクション: WildFakeはオープンソースコミュニティからフェイクイメージを収集し、幅広いイメージクラスとイメージスタイルでその多様性を強化します。
WildFakeには、GAN、拡散モデル、および他の生成モデルから様々な種類のジェネレータによって合成された偽画像が含まれている。
- 参考スコア（独自算出の注目度）: 20.303215747150684
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The extraordinary ability of generative models enabled the generation of
images with such high quality that human beings cannot distinguish Artificial
Intelligence (AI) generated images from real-life photographs. The development
of generation techniques opened up new opportunities but concurrently
introduced potential risks to privacy, authenticity, and security. Therefore,
the task of detecting AI-generated imagery is of paramount importance to
prevent illegal activities. To assess the generalizability and robustness of
AI-generated image detection, we present a large-scale dataset, referred to as
WildFake, comprising state-of-the-art generators, diverse object categories,
and real-world applications. WildFake dataset has the following advantages: 1)
Rich Content with Wild collection: WildFake collects fake images from the
open-source community, enriching its diversity with a broad range of image
classes and image styles. 2) Hierarchical structure: WildFake contains fake
images synthesized by different types of generators from GANs, diffusion
models, to other generative models. These key strengths enhance the
generalization and robustness of detectors trained on WildFake, thereby
demonstrating WildFake's considerable relevance and effectiveness for
AI-generated detectors in real-world scenarios. Moreover, our extensive
evaluation experiments are tailored to yield profound insights into the
capabilities of different levels of generative models, a distinctive advantage
afforded by WildFake's unique hierarchical structure.
- Abstract（参考訳）: 生成モデルの異常な能力により、人間が人工知能(AI)の生成した画像と実際の写真とを区別できないような高品質な画像の生成が可能になった。
生成技術の開発は新たな機会を開放したが、同時にプライバシー、認証、セキュリティに対する潜在的なリスクももたらした。
したがって、AI生成画像を検出するタスクは、違法な活動を防ぐために最重要となる。
AI生成画像検出の一般化性と堅牢性を評価するため、最先端のジェネレータ、多様なオブジェクトカテゴリ、実世界のアプリケーションからなる大規模データセットWildFakeを提案する。
WildFakeデータセットには以下の利点がある。
1) Wildコレクションによるリッチコンテンツ: WildFakeはオープンソースコミュニティからフェイクイメージを収集し、幅広いイメージクラスとイメージスタイルでその多様性を充実させる。
2)階層構造:WildFakeは、GAN、拡散モデル、および他の生成モデルから異なる種類のジェネレータによって合成された偽画像を含む。
これらの重要な強みは、WildFakeで訓練された検出器の一般化と堅牢性を高め、現実のシナリオにおけるAI生成検出器に対するWildFakeの相当な関連性と有効性を示す。
さらに、我々の広範囲な評価実験は、WildFakeのユニークな階層構造によって得られる、異なるレベルの生成モデルの能力に関する深い洞察を得られるように調整されている。
関連論文リスト
- Semi-Truths: A Large-Scale Dataset of AI-Augmented Images for Evaluating Robustness of AI-Generated Image detectors [62.63467652611788]
実画像27,600枚、223,400枚、AI拡張画像1,472,700枚を含むSEMI-TRUTHSを紹介する。
それぞれの画像には、検出器のロバスト性の標準化と目標評価のためのメタデータが添付されている。
以上の結果から,現状の検出器は摂動の種類や程度,データ分布,拡張方法に様々な感度を示すことが示唆された。
論文 参考訳（メタデータ） (2024-11-12T01:17:27Z) - 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) - Development of a Dual-Input Neural Model for Detecting AI-Generated Imagery [0.0]
AI生成画像を検出するツールを開発することが重要である。
本稿では、画像とフーリエ周波数分解の両方を入力として扱うデュアルブランチニューラルネットワークアーキテクチャを提案する。
提案モデルでは,CIFAKEデータセットの精度が94%向上し,従来のML手法やCNNよりも優れていた。
論文 参考訳（メタデータ） (2024-06-19T16:42:04Z) - 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) - ASAP: Interpretable Analysis and Summarization of AI-generated Image Patterns at Scale [20.12991230544801]
生成画像モデルは、現実的な画像を生成するための有望な技術として登場してきた。
ユーザーがAI生成画像のパターンを効果的に識別し理解できるようにするための需要が高まっている。
我々はAI生成画像の異なるパターンを自動的に抽出する対話型可視化システムASAPを開発した。
論文 参考訳（メタデータ） (2024-04-03T18:20:41Z) - Let Real Images be as a Judger, Spotting Fake Images Synthesized with Generative Models [16.900526163168827]
異なる生成モデルにより合成された偽画像のアーティファクトパターンについて検討した。
本稿では,実画像でのみ共有される自然なトレースを,検出器内の新たな予測対象として採用する。
提案手法では,96.1%のmAPがベースラインを著しく上回っている。
論文 参考訳（メタデータ） (2024-03-25T07:58:58Z) - GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross Appearance-Edge Learning [50.7702397913573]
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) - 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) - Parents and Children: Distinguishing Multimodal DeepFakes from Natural Images [60.34381768479834]
近年の拡散モデルの発展により、自然言語のテキストプロンプトから現実的なディープフェイクの生成が可能になった。
我々は、最先端拡散モデルにより生成されたディープフェイク検出に関する体系的研究を開拓した。
論文 参考訳（メタデータ） (2023-04-02T10:25:09Z) - Real Face Foundation Representation Learning for Generalized Deepfake
Detection [74.4691295738097]
ディープフェイク技術の出現は、個人のプライバシーと公共の安全に脅威をもたらすため、社会的な問題となっている。
十分な偽の顔を集めることはほぼ不可能であり、既存の検出器があらゆる種類の操作に一般化することは困難である。
本稿では,大規模な実顔データセットから一般表現を学習することを目的としたリアルフェイスファウンデーション表現学習(RFFR)を提案する。
論文 参考訳（メタデータ） (2023-03-15T08:27:56Z) - GLFF: Global and Local Feature Fusion for AI-synthesized Image Detection [29.118321046339656]
画像全体から複数スケールのグローバルな特徴と、AI合成画像検出のための情報パッチからの洗練されたローカル特徴を組み合わせることで、リッチで差別的な表現を学習するフレームワークを提案する。
GLFFは、マルチスケールの意味的特徴を抽出するグローバルブランチと、詳細なローカルアーティファクト抽出のための情報パッチを選択するローカルブランチの2つのブランチから情報を抽出する。
論文 参考訳（メタデータ） (2022-11-16T02:03:20Z)
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。