論文の概要: Evolution of Detection Performance throughout the Online Lifespan of Synthetic Images
- arxiv url: http://arxiv.org/abs/2408.11541v1
- Date: Wed, 21 Aug 2024 11:40:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-22 17:17:15.216945
- Title: Evolution of Detection Performance throughout the Online Lifespan of Synthetic Images
- Title（参考訳）: 合成画像のオンラインライフスパンにおける検出性能の進化
- Authors: Dimitrios Karageorgiou, Quentin Bammey, Valentin Porcellini, Bertrand Goupil, Denis Teyssou, Symeon Papadopoulos,
- Abstract要約: 現在の最先端の検出器は、野生の合成画像と実際の画像の区別に苦労している。
オンライン画像の初期出現から経過した時間は,ほとんどの検出器の性能に悪影響を及ぼすことを示す。
- 参考スコア（独自算出の注目度）: 32.99509418552467
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Synthetic images disseminated online significantly differ from those used during the training and evaluation of the state-of-the-art detectors. In this work, we analyze the performance of synthetic image detectors as deceptive synthetic images evolve throughout their online lifespan. Our study reveals that, despite advancements in the field, current state-of-the-art detectors struggle to distinguish between synthetic and real images in the wild. Moreover, we show that the time elapsed since the initial online appearance of a synthetic image negatively affects the performance of most detectors. Ultimately, by employing a retrieval-assisted detection approach, we demonstrate the feasibility to maintain initial detection performance throughout the whole online lifespan of an image and enhance the average detection efficacy across several state-of-the-art detectors by 6.7% and 7.8% for balanced accuracy and AUC metrics, respectively.
- Abstract（参考訳）: オンラインに散布された合成画像は、最先端検出器の訓練および評価に使用されたものとは大きく異なる。
本研究は, オンラインライフスパンを通じて, 知覚的合成画像が進化するにつれて, 合成画像検出器の性能を解析するものである。
この分野の進歩にもかかわらず、現在最先端の検出器は、野生の合成画像と実際の画像の区別に苦慮している。
さらに,オンライン画像の初期出現から経過した時間は,ほとんどの検出器の性能に悪影響を及ぼすことを示した。
最終的に、検索支援検出手法を用いて、画像のオンラインライフスパン全体を通して初期検出性能を維持可能であることを実証し、平均検出効率を複数の最先端検出器で6.7%、平均検出効率を7.8%向上させることができる。
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) - Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。
対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。
提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
論文 参考訳（メタデータ） (2024-03-23T22:32:06Z) - UAV-Sim: NeRF-based Synthetic Data Generation for UAV-based Perception [62.71374902455154]
ニューラルレンダリングの最近の進歩を利用して、静的および動的ノベルビューUAVベースの画像レンダリングを改善する。
本研究では,主に実データと合成データのハイブリッドセットに基づいて最先端検出モデルが最適化された場合,性能が大幅に向上することを示す。
論文 参考訳（メタデータ） (2023-10-25T00:20:37Z) - Generalizable Synthetic Image Detection via Language-guided Contrastive
Learning [22.4158195581231]
偽ニュースの拡散や偽のプロフィールの作成などの合成画像の真偽の使用は、画像の真正性に関する重要な懸念を提起する。
本稿では,言語指導によるコントラスト学習と検出問題の新たな定式化による,シンプルで効果的な合成画像検出手法を提案する。
提案したLanguAge-guided SynThEsis Detection (LASTED) モデルでは,画像生成モデルに対する一般化性が大幅に向上していることが示されている。
論文 参考訳（メタデータ） (2023-05-23T08:13:27Z) - Improving Synthetically Generated Image Detection in Cross-Concept
Settings [20.21594285488186]
我々は、例えば、人間の顔に検出器を訓練する際に、様々な概念クラスをまたがって一般化するという課題に焦点をあてる。
本稿では,現実的な合成画像上での学習により,検出器の堅牢性を向上できるという前提に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2023-04-24T12:45:00Z) - Adversarially-Aware Robust Object Detector [85.10894272034135]
本稿では,ロバスト検出器 (RobustDet) を提案する。
本モデルは, クリーン画像の検出能力を維持しながら, 傾きを効果的に解き, 検出堅牢性を著しく向上させる。
論文 参考訳（メタデータ） (2022-07-13T13:59:59Z) - Fingerprint Liveness Detection Based on Quality Measures [66.76480178498315]
新たな特徴セットは、完全なライブネス検出システムで使用され、LivDETコンペティションの開発セットでテストされている。
提案手法はマルチセンサのシナリオに対して堅牢であることが証明され、全体の93%が正しく分類されたサンプルである。
論文 参考訳（メタデータ） (2022-07-11T12:15:27Z) - ART-SS: An Adaptive Rejection Technique for Semi-Supervised restoration
for adverse weather-affected images [24.03416814412226]
SSR法の性能に及ぼすラベルなしデータの影響について検討する。
性能を劣化させる未ラベル画像の拒否を行う手法を開発した。
論文 参考訳（メタデータ） (2022-03-17T12:00:31Z) - Deep Learning-Assisted Co-registration of Full-Spectral Autofluorescence
Lifetime Microscopic Images with H&E-Stained Histology Images [5.9861067768807]
我々は,共同登録の成功を著しく改善する,教師なし画像-画像間翻訳ネットワークを示す。
このアプローチは、この範囲を超えるライフタイムイメージや他の染色技術に、力ずくで拡張できる可能性がある。
論文 参考訳（メタデータ） (2022-02-15T22:09:06Z) - Enhanced Transfer Learning Through Medical Imaging and Patient
Demographic Data Fusion [0.0]
画像特徴と関連する非画像データとを組み合わせた医療画像データの分類における性能向上について検討した。
特徴抽出器として直接使用し,対象領域に微調整を施したImageNetで事前訓練したネットワークを用いた転送学習を利用する。
論文 参考訳（メタデータ） (2021-11-29T09:11:52Z)
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。