論文の概要: Three Forensic Cues for JPEG AI Images

• arxiv url: http://arxiv.org/abs/2504.03191v1
• Date: Fri, 04 Apr 2025 05:38:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-14 20:35:07.321016
• Title: Three Forensic Cues for JPEG AI Images
• Title（参考訳）: JPEGAI画像のための3つの法医学的手がかり
• Authors: Sandra Bergmann, Fabian Brand, Christian Riess,
• Abstract要約: JPEGAIのための法医学アルゴリズムのための3つの手がかりを提案する。 まず、JPEGAIプリプロセッシングは、圧縮されていない画像では発生しない色チャネルに相関を導入していることを示す。 次に,JPEGAI画像の繰り返し圧縮が歪み差を減少させることを示す。 第3に,忍耐空間におけるJPEGAI画像の量子化は,JPEGAI圧縮による実画像と合成生成画像との区別に有効であることを示す。
• 参考スコア（独自算出の注目度）: 7.7834147791981305
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The JPEG standard was vastly successful. Currently, the first AI-based compression method ``JPEG AI'' will be standardized. JPEG AI brings remarkable benefits. JPEG AI images exhibit impressive image quality at bitrates that are an order of magnitude lower than images compressed with traditional JPEG. However, forensic analysis of JPEG AI has to be completely re-thought: forensic tools for traditional JPEG do not transfer to JPEG AI, and artifacts from JPEG AI are easily confused with artifacts from artificially generated images (``DeepFakes''). This creates a need for novel forensic approaches to detection and distinction of JPEG AI images. In this work, we make a first step towards a forensic JPEG AI toolset. We propose three cues for forensic algorithms for JPEG AI. These algorithms address three forensic questions: first, we show that the JPEG AI preprocessing introduces correlations in the color channels that do not occur in uncompressed images. Second, we show that repeated compression of JPEG AI images leads to diminishing distortion differences. This can be used to detect recompression, in a spirit similar to some classic JPEG forensics methods. Third, we show that the quantization of JPEG AI images in the latent space can be used to distinguish real images with JPEG AI compression from synthetically generated images. The proposed methods are interpretable for a forensic analyst, and we hope that they inspire further research in the forensics of AI-compressed images.
• Abstract（参考訳）: JPEG標準は大きな成功を収めた。 現在、最初のAIベースの圧縮メソッド ``JPEG AI'' が標準化されている。 JPEG AIは素晴らしいメリットをもたらします。 JPEG AI画像は、従来のJPEGで圧縮された画像よりも桁違いに低いビットレートで印象的な画質を示す。 しかし、JPEG AIの法医学的分析は完全に再考されなければならない: 従来のJPEGの法医学ツールはJPEG AIに転送されず、JPEG AIのアーティファクトは人工的に生成された画像(`DeepFakes''')のアーティファクトと容易に混同される。 これにより、JPEG AI画像の検出と識別に対する新しい法医学的アプローチの必要性が生じる。 この作業では、法医学的なJPEGAIツールセットへの第一歩を踏み出します。 JPEGAIのための法医学アルゴリズムのための3つの手がかりを提案する。 これらのアルゴリズムは3つの法医学的問題に対処する: まず、JPEG AI前処理は、圧縮されていない画像で発生しない色チャネルに相関を導入することを示す。 次に,JPEGAI画像の繰り返し圧縮が歪み差を減少させることを示す。 これは、いくつかの古典的なJPEGの法則と同様の精神で、再圧縮を検出するために使用できる。 第3に,忍耐空間におけるJPEGAI画像の量子化は,JPEGAI圧縮による実画像と合成生成画像との区別に有効であることを示す。 提案手法は、法医学的分析者にとって解釈可能であり、AI圧縮画像の法医学におけるさらなる研究を促すことを願っている。

関連論文リスト

• Compression-Aware One-Step Diffusion Model for JPEG Artifact Removal [56.307484956135355]
  CODiffはJPEGアーティファクト削除のための圧縮対応ワンステップ拡散モデルである。 明示的な学習と暗黙的な学習を組み合わせた二重学習戦略を提案する。 その結果,CODiffは定量的および視覚的品質指標の両方において,最近の先行手法を超越していることがわかった。
  論文  参考訳（メタデータ） (2025-02-14T02:46:27Z)
• Is JPEG AI going to change image forensics? [50.92778618091496]
  ニューラル画像圧縮に基づく新しいJPEGAI標準の反法医学的効果について検討する。 その結果,JPEG AIで処理したコンテンツの解析において,先行する法医学的検知器の性能が低下していることが示唆された。
  論文  参考訳（メタデータ） (2024-12-04T12:07:20Z)
• JPEG Inspired Deep Learning [4.958744940097937]
  精巧なJPEG圧縮は、ディープラーニング(DL)の性能を実際に向上させる トレーニング可能なJPEG圧縮層で基盤となるDNNアーキテクチャをプリペイドする新しいDLフレームワークであるJPEG-DLを提案する。 私たちのコードはhttps://github.com/AhmedHussKhalifa/Inspired-DL.gitで利用可能です。
  論文  参考訳（メタデータ） (2024-10-09T17:23:54Z)
• Unified learning-based lossy and lossless JPEG recompression [15.922937139019547]
  本稿では,学習量子化テーブルとマルコフ階層型変分オートエンコーダから構成されるJPEG再圧縮フレームワークを提案する。 実験の結果,JPEGが上界に近づくと,任意に低歪みが得られることがわかった。
  論文  参考訳（メタデータ） (2023-12-05T12:07:27Z)
• Differentiable JPEG: The Devil is in the Details [2.246961121930528]
  従来の制限を克服する新しいdiff. JPEGアプローチを提案する。 我々のアプローチは、入力画像、JPEG品質、量子化テーブル、色変換パラメータなど、微分可能である。 提案したdiff. JPEGは(非diff.)参照実装に最もよく似ており、最近のbest diff.アプローチを平均$3.47$dB (PSNR) で大幅に上回っている。
  論文  参考訳（メタデータ） (2023-09-13T14:13:08Z)
• Practical Learned Lossless JPEG Recompression with Multi-Level Cross-Channel Entropy Model in the DCT Domain [10.655855413391324]
  本稿では,DCT領域で動作するディープラーニングに基づくJPEG再圧縮手法を提案する。 実験により,従来のJPEG再圧縮手法と比較して最先端の性能が得られた。
  論文  参考訳（メタデータ） (2022-03-30T14:36:13Z)
• Neural JPEG: End-to-End Image Compression Leveraging a Standard JPEG Encoder-Decoder [73.48927855855219]
  本稿では,エンコーダとデコーダの両端に内在するニューラル表現を強化することで,符号化性能の向上を図るシステムを提案する。 実験により,提案手法はJPEGに対する速度歪み性能を,様々な品質指標で改善することを示した。
  論文  参考訳（メタデータ） (2022-01-27T20:20:03Z)
• Towards Flexible Blind JPEG Artifacts Removal [73.46374658847675]
  人工物除去と細部保存のトレードオフを制御するために,適応可能な品質因子を予測できるフレキシブルブラインド畳み込みニューラルネットワーク,すなわちFBCNNを提案する。 提案するFBCNNは,定量的な計測値と視覚的品質の両方の観点から,最先端の手法に対して良好な性能を実現する。
  論文  参考訳（メタデータ） (2021-09-29T17:12:10Z)
• Learning to Improve Image Compression without Changing the Standard Decoder [100.32492297717056]
  本稿では,標準デコーダによる符号化性能向上のための学習法を提案する。 具体的には、DCT係数の分布を最適化する周波数領域事前編集法を提案する。 JPEGデコーダは変更しないので、広く使われている標準JPEGデコーダで画像を見る際には、我々のアプローチが適用可能である。
  論文  参考訳（メタデータ） (2020-09-27T19:24:42Z)
• Quantization Guided JPEG Artifact Correction [69.04777875711646]
  我々はJPEGファイル量子化行列を用いたアーティファクト修正のための新しいアーキテクチャを開発した。 これにより、特定の品質設定のためにトレーニングされたモデルに対して、単一のモデルで最先端のパフォーマンスを達成できます。
  論文  参考訳（メタデータ） (2020-04-17T00:10:08Z)

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。