Fugu-MT 論文翻訳(概要): TextureCrop: Enhancing Synthetic Image Detection through Texture-based Cropping

論文の概要: TextureCrop: Enhancing Synthetic Image Detection through Texture-based Cropping

arxiv url: http://arxiv.org/abs/2407.15500v1
Date: Mon, 22 Jul 2024 09:31:30 GMT
ステータス: 処理完了
システム内更新日: 2024-07-23 15:31:05.247852
Title: TextureCrop: Enhancing Synthetic Image Detection through Texture-based Cropping
Title（参考訳）: TextureCrop: テクスチャベースのクロップによる合成画像検出の強化
Authors: Despina Konstantinidou, Christos Koutlis, Symeon Papadopoulos,
Abstract要約: 合成画像検出(SID)は、AIが生成する有害なコンテンツを防御するための重要なツールである。現在のSID法は、通常、入力画像を一定の解像度にリサイズするか、計算上の問題によりセンタークロッピングを行う。本稿では,新しい画像前処理技術であるTextureCropを提案する。
参考スコア（独自算出の注目度）: 12.315110846944906
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Generative AI technologies produce hyper-realistic imagery that can be used for nefarious purposes such as producing misleading or harmful content, among others. This makes Synthetic Image Detection (SID) an essential tool for defending against AI-generated harmful content. Current SID methods typically resize input images to a fixed resolution or perform center-cropping due to computational concerns, leading to challenges in effectively detecting artifacts in high-resolution images. To this end, we propose TextureCrop, a novel image pre-processing technique. By focusing on high-frequency image parts where generation artifacts are prevalent, TextureCrop effectively enhances SID accuracy while maintaining manageable memory requirements. Experimental results demonstrate a consistent improvement in AUC across various detectors by 5.7% compared to center cropping and by 14% compared to resizing, across high-resolution images from the Forensynths and Synthbuster datasets.
Abstract（参考訳）: ジェネレーティブAI技術は、誤解を招くコンテンツや有害なコンテンツなどの悪質な目的に使用できる超現実的な画像を生成する。これにより、SID(Synthetic Image Detection)は、AIが生成する有害なコンテンツを防御するための重要なツールとなる。現在のSID法は、通常、入力イメージを固定解像度にリサイズするか、計算上の問題によるセンタークロッピングを行うため、高解像度画像のアーティファクトを効果的に検出する上での課題となっている。そこで本研究では,新しい画像前処理技術であるTextureCropを提案する。生成アーティファクトが普及している高周波画像部品に注目することにより、TextureCropは、管理可能なメモリ要件を維持しながら、SIDの精度を効果的に向上する。実験結果は、ForensynthsとSynthbusterのデータセットの高解像度画像に対して、中央の収穫に比べてAUCが5.7%改善し、14%改善したことを示している。

関連論文リスト

A Sanity Check for AI-generated Image Detection [49.08585395873425]
我々はAI生成画像を検出するAI生成画像検出装置(AI生成画像検出装置)を提案する。 AIDEは最先端の手法を+3.5%、+4.6%改善した。
論文参考訳（メタデータ） (2024-06-27T17:59:49Z)
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)
SIDBench: A Python Framework for Reliably Assessing Synthetic Image Detection Methods [9.213926755375024]
完全合成画像の作成は、ユニークな課題である。ベンチマークデータセットの実験結果と、ワイルドなメソッドのパフォーマンスの間には、大きなギャップがしばしばあります。本稿では,いくつかの最先端SIDモデルを統合するベンチマークフレームワークを提案する。
論文参考訳（メタデータ） (2024-04-29T09:50:16Z)
Leveraging Representations from Intermediate Encoder-blocks for Synthetic Image Detection [13.840950434728533]
SID(State-of-the-art Synthetic Image Detection)研究は、基礎モデルからの特徴抽出の利点を強く証明している。軽量ネットワークを介してCLIPの画像エンコーダの中間トランスフォーマーブロックから抽出した画像表現を利用する。本手法は,20個のテストデータセットで評価し,平均+10.6%の絶対性能向上を示すことにより,最先端の手法と比較した。
論文参考訳（メタデータ） (2024-02-29T12:18:43Z)
Hybrid Training of Denoising Networks to Improve the Texture Acutance of Digital Cameras [3.400056739248712]
本稿では,自然画像と合成画像の両方に依存した画像復元ニューラルネットワークの混合訓練手法を提案する。提案手法の有効性は,RGB画像のノイズ化とRAW画像のフル開発の両方において実証され,実際の撮像装置のテクスチャ精度の体系的改善への道のりが開かれた。
論文参考訳（メタデータ） (2024-02-20T10:47:06Z)
An efficient dual-branch framework via implicit self-texture enhancement for arbitrary-scale histopathology image super-resolution [18.881480825169053]
Inlicit Self-Texture Enhancement-based dual-branch framework (ISTE) を提案する。 ISTEは、様々なスケーリング要因にわたる既存の固定スケールおよび任意のスケールのSRアルゴリズムより優れている。
論文参考訳（メタデータ） (2024-01-28T10:00:45Z)
High-fidelity 3D GAN Inversion by Pseudo-multi-view Optimization [51.878078860524795]
フォトリアリスティック・ノベルビューを合成可能な高忠実度3次元生成対向ネットワーク(GAN)インバージョン・フレームワークを提案する。提案手法は,1枚の画像から高忠実度3Dレンダリングを可能にし,AI生成3Dコンテンツの様々な応用に期待できる。
論文参考訳（メタデータ） (2022-11-28T18:59:52Z)
Joint Learning of Deep Texture and High-Frequency Features for Computer-Generated Image Detection [24.098604827919203]
本稿では,CG画像検出のための深いテクスチャと高周波特徴を有する共同学習戦略を提案する。セマンティックセグメンテーションマップを生成して、アフィン変換操作を誘導する。原画像と原画像の高周波成分の組み合わせを、注意機構を備えたマルチブランチニューラルネットワークに供給する。
論文参考訳（メタデータ） (2022-09-07T17:30:40Z)
Exploring Resolution and Degradation Clues as Self-supervised Signal for Low Quality Object Detection [77.3530907443279]
劣化した低解像度画像中の物体を検出するための,新しい自己教師型フレームワークを提案する。本手法は, 既存手法と比較して, 異変劣化状況に直面する場合に比べ, 優れた性能を示した。
論文参考訳（メタデータ） (2022-08-05T09:36:13Z)
Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
論文参考訳（メタデータ） (2022-06-07T14:55:32Z)
Ensembling with Deep Generative Views [72.70801582346344]
生成モデルは、色やポーズの変化などの現実世界の変動を模倣する人工画像の「ビュー」を合成することができる。そこで本研究では, 画像分類などの下流解析作業において, 実画像に適用できるかどうかを検討する。 StyleGAN2を再生増強の源として使用し、顔の属性、猫の顔、車を含む分類タスクについてこの設定を調査します。
論文参考訳（メタデータ） (2021-04-29T17:58:35Z)

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。