Fugu-MT 論文翻訳(概要): FairAdapter: Detecting AI-generated Images with Improved Fairness

論文の概要: FairAdapter: Detecting AI-generated Images with Improved Fairness

arxiv url: http://arxiv.org/abs/2411.14755v1
Date: Fri, 22 Nov 2024 06:23:58 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-25 15:04:20.985949
Title: FairAdapter: Detecting AI-generated Images with Improved Fairness
Title（参考訳）: FairAdapter: フェアネスを改善したAI生成画像の検出
Authors: Feng Ding, Jun Zhang, Xinan He, Jianfeng Xu,
Abstract要約: フェアアダプタ(Fairadapter)という新しいフレームワークを提案する。既存の最先端手法と比較して,本モデルでは公正性性能が向上する。
参考スコア（独自算出の注目度）: 6.493284685803963
License:
Abstract: The high-quality, realistic images generated by generative models pose significant challenges for exposing them.So far, data-driven deep neural networks have been justified as the most efficient forensics tools for the challenges. However, they may be over-fitted to certain semantics, resulting in considerable inconsistency in detection performance across different contents of generated samples. It could be regarded as an issue of detection fairness. In this paper, we propose a novel framework named Fairadapter to tackle the issue. In comparison with existing state-of-the-art methods, our model achieves improved fairness performance. Our project: https://github.com/AppleDogDog/FairnessDetection
Abstract（参考訳）: 生成モデルによって生成された高品質で現実的な画像は、それらを公開する上で重要な課題を提起している。これまで、データ駆動のディープニューラルネットワークは、これらの課題の最も効率的な法医学ツールとして正当化されてきた。しかし、それらは特定のセマンティクスに過度に適合する可能性があり、その結果、生成されたサンプルの異なる内容にわたる検出性能にかなりの矛盾が生じている。これは正当性の検出の問題と見なすことができる。本稿では,この問題に対処するためのFairadapterという新しいフレームワークを提案する。既存の最先端手法と比較して,本モデルではフェアネス性能の向上を実現している。私たちのプロジェクト:https://github.com/AppleDogDog/FairnessDetection

関連論文リスト

A Bias-Free Training Paradigm for More General AI-generated Image Detection [15.421102443599773]
良く設計された法医学的検知器は、データバイアスを反映するのではなく、生成物固有のアーティファクトを検出する必要がある。本稿では,実画像から偽画像を生成する,バイアスのない学習パラダイムであるB-Freeを提案する。我々は,最先端検出器の一般化とロバスト性の両方において有意な改善が認められた。
論文参考訳（メタデータ） (2024-12-23T15:54:32Z)
Fairer Analysis and Demographically Balanced Face Generation for Fairer Face Verification [69.04239222633795]
顔認識と検証は、深層表現の導入によって性能が向上した2つのコンピュータビジョンタスクである。現実のトレーニングデータセットにおける顔データの繊細な性質とバイアスによる倫理的、法的、技術的な課題は、彼らの開発を妨げる。公平性を向上する新しい制御された生成パイプラインを導入する。
論文参考訳（メタデータ） (2024-12-04T14:30:19Z)
Imperceptible Face Forgery Attack via Adversarial Semantic Mask [59.23247545399068]
本稿では, 対向性, 可視性に優れた対向性例を生成できるASMA(Adversarial Semantic Mask Attack framework)を提案する。具体的には, 局所的なセマンティック領域の摂動を抑制し, 良好なステルス性を実現する, 対向型セマンティックマスク生成モデルを提案する。
論文参考訳（メタデータ） (2024-06-16T10:38:11Z)
Classes Are Not Equal: An Empirical Study on Image Recognition Fairness [100.36114135663836]
我々は,クラスが等しくないことを実験的に証明し,様々なデータセットにまたがる画像分類モデルにおいて,公平性の問題が顕著であることを示した。以上の結果から,モデルでは認識が困難であるクラスに対して,予測バイアスが大きくなる傾向が示唆された。データ拡張および表現学習アルゴリズムは、画像分類のある程度の公平性を促進することにより、全体的なパフォーマンスを向上させる。
論文参考訳（メタデータ） (2024-02-28T07:54:50Z)
Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
論文参考訳（メタデータ） (2023-07-31T10:22:33Z)
Masked Images Are Counterfactual Samples for Robust Fine-tuning [77.82348472169335]
微調整の深層学習モデルは、分布内(ID)性能と分布外(OOD)堅牢性の間のトレードオフにつながる可能性がある。そこで本研究では,マスク付き画像を対物サンプルとして用いて,ファインチューニングモデルのロバスト性を向上させる新しいファインチューニング手法を提案する。
論文参考訳（メタデータ） (2023-03-06T11:51:28Z)
Shuffled Patch-Wise Supervision for Presentation Attack Detection [12.031796234206135]
顔の偽造防止は、写真、ビデオ、マスク、または認証された人の顔の別の代用品を使用することによって、偽の顔認証を防止するために不可欠である。ほとんどのプレゼンテーションアタック検出システムはオーバーフィッティングに悩まされており、1つのデータセットでほぼ完璧なスコアを得るが、より現実的なデータを持つ別のデータセットでは失敗する。画素単位のバイナリ管理とパッチベースのCNNを組み合わせた新しいPAD手法を提案する。
論文参考訳（メタデータ） (2021-09-08T08:14:13Z)
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)
Syn2Real: Forgery Classification via Unsupervised Domain Adaptation [1.8229783460536682]
本稿では,ディープセマンティック・イメージ・インペイントとコピー・モーブ・フォージェリ・アルゴリズムを用いた合成鍛造データセットを提案する。我々は、教師なしドメイン適応ネットワークを用いて、合成されたデータセットから特徴空間をマッピングすることで、新しいドメインのコピー・モーブ偽造を検出する。
論文参考訳（メタデータ） (2020-02-03T15:02:58Z)

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。