論文の概要: Present and Future Generalization of Synthetic Image Detectors
- arxiv url: http://arxiv.org/abs/2409.14128v1
- Date: Sat, 21 Sep 2024 12:46:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-09-26 03:03:51.212757
- Title: Present and Future Generalization of Synthetic Image Detectors
- Title(参考訳): 合成画像検出器の現状と将来
- Authors: Pablo Bernabeu-Perez, Enrique Lopez-Cuena, Dario Garcia-Gasulla,
- Abstract要約: 検出器は広く一般化でき、制御不能な変更に対して堅牢である必要がある。
評価された検出器はどれも普遍的ではないが、結果はアンサンブルの可能性を示している。
ワイルドで収集されたデータに関する実験は、このタスクが大規模なデータセットによって定義されたものよりも難しいことを示している。
- 参考スコア(独自算出の注目度): 0.6144680854063939
- License:
- Abstract: The continued release of new and better image generation models increases the demand for synthetic image detectors. In such a dynamic field, detectors need to be able to generalize widely and be robust to uncontrolled alterations. The present work is motivated by this setting, when looking at the role of time, image transformations and data sources, for detector generalization. In these experiments, none of the evaluated detectors is found universal, but results indicate an ensemble could be. Experiments on data collected in the wild show this task to be more challenging than the one defined by large-scale datasets, pointing to a gap between experimentation and actual practice. Finally, we observe a race equilibrium effect, where better generators lead to better detectors, and vice versa. We hypothesize this pushes the field towards a perpetually close race between generators and detectors.
- Abstract(参考訳): 新しいより良い画像生成モデルの継続的なリリースにより、合成画像検出器の需要が増大する。
このような動的場において、検出器は広く一般化でき、制御不能な変化に対して堅牢である必要がある。
本研究は, 検出器一般化のための時間, 画像変換, およびデータソースの役割を考える際に, この設定を動機としたものである。
これらの実験では、評価された検出器のどれも普遍的なものは見つからないが、結果はアンサンブルの可能性を示している。
ワイルドで収集されたデータに関する実験は、このタスクが大規模なデータセットによって定義されたものよりも困難であることを示し、実験と実際の実践のギャップを示している。
最後に、より良い発電機がより良い検出器に繋がる競合平衡効果を観察し、その逆も観察する。
このことは、発生器と検出器の間の永久に近接したレースへとフィールドを押し上げるという仮説を立てる。
関連論文リスト
- FakeInversion: Learning to Detect Images from Unseen Text-to-Image Models by Inverting Stable Diffusion [18.829659846356765]
本稿では,オープンソース事前学習型安定拡散モデルを用いて得られた特徴を用いた新しい合成画像検出器を提案する。
これらの逆転により、検出器は高視力の未確認発電機によく一般化できることが示される。
本稿では, 逆画像探索を用いて, 検出器評価におけるスタイリスティックおよびテーマバイアスを緩和する, 新たな挑戦的評価プロトコルを提案する。
論文 参考訳(メタデータ) (2024-06-12T19:14:58Z) - Fake or JPEG? Revealing Common Biases in Generated Image Detection Datasets [6.554757265434464]
AI生成画像検出のための多くのデータセットには、JPEG圧縮と画像サイズに関するバイアスが含まれている。
我々は、検出器が本当にこれらの望ましくない要因から学習できることを実証した。
これにより、ResNet50とSwin-T検出器のクロスジェネレータ性能が11%以上向上する。
論文 参考訳(メタデータ) (2024-03-26T11:39:00Z) - 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) - GenDet: Towards Good Generalizations for AI-Generated Image Detection [27.899521298845357]
既存の方法では、目に見えないジェネレータが生成した画像を効果的に検出できるが、見えないジェネレータが生成した画像を検出することは困難である。
本稿では、異常検出の観点から、この課題を考慮し、未知のジェネレータ検出問題に対処する。
提案手法は,実画像の教師モデルと学生モデルとの出力の差を小さくし,偽画像の差を大きくすることを目的としている。
論文 参考訳(メタデータ) (2023-12-12T11:20:45Z) - Trash to Treasure: Low-Light Object Detection via
Decomposition-and-Aggregation [76.45506517198956]
低照度シナリオにおけるオブジェクト検出は、ここ数年で多くの注目を集めています。
主流で代表的なスキームは、レギュラー検出器の前処理としてエンハンサーを導入している。
本研究では,エンハンサー+検出器のポテンシャルを喚起する。
論文 参考訳(メタデータ) (2023-09-07T08:11:47Z) - SeeABLE: Soft Discrepancies and Bounded Contrastive Learning for
Exposing Deepfakes [7.553507857251396]
本研究では,検出問題を(一級)アウト・オブ・ディストリビューション検出タスクとして形式化する,SeeABLEと呼ばれる新しいディープフェイク検出器を提案する。
SeeABLEは、新しい回帰ベースの有界コントラスト損失を使用して、乱れた顔を事前定義されたプロトタイプにプッシュする。
我々のモデルは競合する最先端の検出器よりも高い性能を示しながら、高度に一般化能力を示す。
論文 参考訳(メタデータ) (2022-11-21T09:38:30Z) - On the Frequency Bias of Generative Models [61.60834513380388]
我々は、最先端のGANトレーニングにおいて、高周波アーティファクトに対する提案手法を解析した。
既存のアプローチでは、スペクトルアーティファクトを完全に解決できないことが分かっています。
以上の結果から,識別能力の向上に大きな可能性があることが示唆された。
論文 参考訳(メタデータ) (2021-11-03T18:12:11Z) - Beyond the Spectrum: Detecting Deepfakes via Re-Synthesis [69.09526348527203]
ディープフェイク(Deepfakes)として知られる非常に現実的なメディアは、現実の目から人間の目まで区別できない。
本研究では,テスト画像を再合成し,検出のための視覚的手がかりを抽出する,新しい偽検出手法を提案する。
種々の検出シナリオにおいて,提案手法の摂動に対する有効性の向上,GANの一般化,堅牢性を示す。
論文 参考訳(メタデータ) (2021-05-29T21:22:24Z) - 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) - Robust and Accurate Object Detection via Adversarial Learning [111.36192453882195]
この研究は、逆の例を探索することで、物体検出器の微調整段階を補強する。
提案手法は,オブジェクト検出ベンチマークにおいて,最先端のEfficientDetsの性能を+1.1mAP向上させる。
論文 参考訳(メタデータ) (2021-03-23T19:45:26Z)
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。