論文の概要: AstroSpy: On detecting Fake Images in Astronomy via Joint Image-Spectral Representations

• arxiv url: http://arxiv.org/abs/2407.06817v1
• Date: Tue, 9 Jul 2024 12:49:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-10 18:07:16.732126
• Title: AstroSpy: On detecting Fake Images in Astronomy via Joint Image-Spectral Representations
• Title（参考訳）: AstroSpy:Joint Image-Spectral Representationによる天文学におけるフェイク画像の検出について
• Authors: Mohammed Talha Alam, Raza Imam, Mohsen Guizani, Fakhri Karray,
• Abstract要約: AI生成画像の普及により、天文学的画像の真正性に対する懸念が高まっている。 本稿では、スペクトル特徴と画像特徴を統合したハイブリッドモデルAstroSpyについて述べる。
• 参考スコア（独自算出の注目度）: 31.75799061059914
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The prevalence of AI-generated imagery has raised concerns about the authenticity of astronomical images, especially with advanced text-to-image models like Stable Diffusion producing highly realistic synthetic samples. Existing detection methods, primarily based on convolutional neural networks (CNNs) or spectral analysis, have limitations when used independently. We present AstroSpy, a hybrid model that integrates both spectral and image features to distinguish real from synthetic astronomical images. Trained on a unique dataset of real NASA images and AI-generated fakes (approximately 18k samples), AstroSpy utilizes a dual-pathway architecture to fuse spatial and spectral information. This approach enables AstroSpy to achieve superior performance in identifying authentic astronomical images. Extensive evaluations demonstrate AstroSpy's effectiveness and robustness, significantly outperforming baseline models in both in-domain and cross-domain tasks, highlighting its potential to combat misinformation in astronomy.
• Abstract（参考訳）: AI生成画像の流行は、天文学的な画像の真正性、特に安定拡散のような高度なテキストと画像のモデルが、非常に現実的な合成サンプルを生成することへの懸念を提起している。 既存の検出方法は、主に畳み込みニューラルネットワーク(CNN)やスペクトル分析に基づいており、独立して使用する場合に制限がある。 本稿では、スペクトル特徴と画像特徴を統合したハイブリッドモデルAstroSpyについて述べる。 AstroSpyは、NASAの実際の画像とAI生成のフェイク(約18kサンプル)のユニークなデータセットに基づいて、空間情報とスペクトル情報を融合するためにデュアルパスウェイアーキテクチャを利用している。 このアプローチにより、AstroSpyは、本物の天文学的画像を特定する上で、優れたパフォーマンスを実現することができる。 大規模な評価は、AstroSpyの有効性とロバスト性を示し、ドメイン内およびクロスドメインのタスクにおいてベースラインモデルよりも大幅に優れており、天文学における誤った情報に対処する可能性を示している。

関連論文リスト

• 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)
• Preliminary Report on Mantis Shrimp: a Multi-Survey Computer Vision Photometric Redshift Model [0.431625343223275]
  光度赤偏移推定は天文学の確立されたサブフィールドである。 Mantis Shrimpは、超紫外(GALEX)、光学(PanSTARRS)、赤外線(UnWISE)画像を融合する、測光赤方偏移推定のためのコンピュータビジョンモデルである。
  論文  参考訳（メタデータ） (2024-02-05T21:44:19Z)
• Learned representation-guided diffusion models for large-image generation [58.192263311786824]
  自己教師型学習(SSL)からの埋め込みを条件とした拡散モデルを訓練する新しいアプローチを導入する。 我々の拡散モデルは、これらの特徴を高品質な病理組織学およびリモートセンシング画像に投影することに成功した。 実画像のバリエーションを生成して実データを増やすことにより、パッチレベルおよび大規模画像分類タスクの下流精度が向上する。
  論文  参考訳（メタデータ） (2023-12-12T14:45:45Z)
• AstroCLIP: A Cross-Modal Foundation Model for Galaxies [40.43521617393482]
  AstroCLIPは、銀河の画像とスペクトルを個別に埋め込むため、トランスフォーマーベースの画像とスペクトルエンコーダを自己監督設定で事前訓練する。 教師付きベースラインと比較しても、下流のタスクで顕著なパフォーマンスが得られます。 提案手法は、銀河の画像とスペクトルの自己教師型変換器に基づく最初のアーキテクチャである。
  論文  参考訳（メタデータ） (2023-10-04T17:59:38Z)
• Diffusion Models for Interferometric Satellite Aperture Radar [73.01013149014865]
  確率拡散モデル (Probabilistic Diffusion Models, PDMs) は、最近、非常に有望な生成モデルのクラスとして登場した。 ここでは、PDMを活用して、レーダーベースの衛星画像データセットを複数生成する。 PDMは複雑で現実的な構造を持つ画像を生成することに成功したが、サンプリング時間は依然として問題である。
  論文  参考訳（メタデータ） (2023-08-31T16:26:17Z)
• Combining multi-spectral data with statistical and deep-learning models for improved exoplanet detection in direct imaging at high contrast [39.90150176899222]
  太陽系外惑星の信号は、いくつかの観測と専用の検出アルゴリズムを組み合わせることでのみ識別できる。 我々は,観測結果から直接,ニュアンスの空間的,時間的,スペクトル的特性のモデルを学ぶ。 その後、畳み込みニューラルネットワーク(CNN)が教師ありの方法で訓練され、合成源の残像を検出する。
  論文  参考訳（メタデータ） (2023-06-21T13:42:07Z)
• Object Detection in Hyperspectral Image via Unified Spectral-Spatial Feature Aggregation [55.9217962930169]
  S2ADetは、高スペクトル画像に固有の豊富なスペクトル情報と空間補完情報を利用する物体検出器である。 S2ADetは既存の最先端メソッドを超え、堅牢で信頼性の高い結果を達成する。
  論文  参考訳（メタデータ） (2023-06-14T09:01:50Z)
• GM-NeRF: Learning Generalizable Model-based Neural Radiance Fields from Multi-view Images [79.39247661907397]
  本稿では,自由視点画像の合成に有効なフレームワークであるGeneralizable Model-based Neural Radiance Fieldsを提案する。 具体的には、多視点2D画像からの出現コードを幾何学的プロキシに登録するための幾何学誘導型アテンション機構を提案する。
  論文  参考訳（メタデータ） (2023-03-24T03:32:02Z)
• Realistic galaxy image simulation via score-based generative models [0.0]
  本研究では,銀河の観測を模倣した現実的かつ偽のイメージを生成するために,スコアベースの生成モデルが利用できることを示す。 主観的には、生成された銀河は実際のデータセットのサンプルと比較すると非常に現実的である。
  論文  参考訳（メタデータ） (2021-11-02T16:27:08Z)
• Low-Rank Subspaces in GANs [101.48350547067628]
  この研究は、GAN生成をより正確に制御できる低ランクな部分空間を導入している。 LowRankGAN は属性多様体の低次元表現を見つけることができる。 さまざまなデータセットでトレーニングされた最先端のGANモデル(StyleGAN2やBigGANなど)の実験は、私たちのLowRankGANの有効性を示しています。
  論文  参考訳（メタデータ） (2021-06-08T16:16:32Z)
• Hyperspectral and multispectral image fusion under spectrally varying spatial blurs -- Application to high dimensional infrared astronomical imaging [11.243400478302767]
  本稿では,高スペクトル分解能データバリアントを復元するために,各画像の利点を組み合わせたデータ融合手法を提案する。 我々は、ジェームズ・ウェッブ宇宙望遠鏡のシミュレーション観測のリアルな合成データセットで実験を行う。
  論文  参考訳（メタデータ） (2019-12-26T13:58:40Z)

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。