論文の概要: RSFAKE-1M: A Large-Scale Dataset for Detecting Diffusion-Generated Remote Sensing Forgeries
- arxiv url: http://arxiv.org/abs/2505.23283v1
- Date: Thu, 29 May 2025 09:30:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-30 18:14:07.789544
- Title: RSFAKE-1M: A Large-Scale Dataset for Detecting Diffusion-Generated Remote Sensing Forgeries
- Title（参考訳）: RSFAKE-1M:拡散生成型リモートセンシングのための大規模データセット
- Authors: Zhihong Tan, Jiayi Wang, Huiying Shi, Binyuan Huang, Hongchen Wei, Zhenzhong Chen,
- Abstract要約: RSFAKE-1Mは,500Kの偽造画像と500Kのリアルタイムリモートセンシング画像の大規模データセットである。
偽画像は、リモートセンシングデータに基づいて微調整された10個の拡散モデルによって生成される。
その結果,拡散型リモートセンシングフォージェリーは現状の手法では依然として困難であることが判明した。
- 参考スコア（独自算出の注目度）: 33.844219602982555
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Detecting forged remote sensing images is becoming increasingly critical, as such imagery plays a vital role in environmental monitoring, urban planning, and national security. While diffusion models have emerged as the dominant paradigm for image generation, their impact on remote sensing forgery detection remains underexplored. Existing benchmarks primarily target GAN-based forgeries or focus on natural images, limiting progress in this critical domain. To address this gap, we introduce RSFAKE-1M, a large-scale dataset of 500K forged and 500K real remote sensing images. The fake images are generated by ten diffusion models fine-tuned on remote sensing data, covering six generation conditions such as text prompts, structural guidance, and inpainting. This paper presents the construction of RSFAKE-1M along with a comprehensive experimental evaluation using both existing detectors and unified baselines. The results reveal that diffusion-based remote sensing forgeries remain challenging for current methods, and that models trained on RSFAKE-1M exhibit notably improved generalization and robustness. Our findings underscore the importance of RSFAKE-1M as a foundation for developing and evaluating next-generation forgery detection approaches in the remote sensing domain. The dataset and other supplementary materials are available at https://huggingface.co/datasets/TZHSW/RSFAKE/.
- Abstract（参考訳）: このような画像は、環境モニタリング、都市計画、国家安全保障において重要な役割を担っているため、偽造されたリモートセンシング画像の検出がますます重要になっている。
拡散モデルが画像生成の主流のパラダイムとして登場したが、リモートセンシングの偽造検出への影響はいまだ解明されていない。
既存のベンチマークでは、主にGANベースの偽造か、あるいは自然画像に焦点を当てており、このクリティカルドメインの進捗を制限している。
このギャップに対処するために,500Kの偽造画像と500Kのリアルタイムリモートセンシング画像からなる大規模データセット RSFAKE-1M を導入する。
偽画像は、リモートセンシングデータに基づいて微調整された10個の拡散モデルにより生成され、テキストプロンプト、構造ガイダンス、塗装などの6つの生成条件をカバーする。
本稿では、既存の検出器と統一ベースラインの両方を用いた総合的な実験評価とともに、RCFAKE-1Mの構築について述べる。
RSFAKE-1Mで訓練したモデルでは, 一般化とロバスト性の向上が顕著に示された。
リモートセンシング領域における次世代の偽造検出手法の開発と評価の基礎として, RSFAKE-1M の重要性が示唆された。
データセットやその他の追加資料はhttps://huggingface.co/datasets/TZHSW/RSFAKE/で入手できる。
関連論文リスト
- A Diffusion-Based Framework for Terrain-Aware Remote Sensing Image Reconstruction [4.824120664293887]
SatelliteMakerは、さまざまなレベルのデータ損失で失われたデータを再構成する拡散ベースの方法である。
条件入力としてのDEM(Digital Elevation Model)は、リアルな画像を生成するために調整されたプロンプトを使用する。
分散損失に基づくVGG-Adapterモジュール。
論文 参考訳（メタデータ） (2025-04-16T14:19:57Z) - Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。
本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。
本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
論文 参考訳（メタデータ） (2024-11-28T13:04:45Z) - 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) - Semantic Guided Large Scale Factor Remote Sensing Image Super-resolution with Generative Diffusion Prior [13.148815217684277]
大規模因子超解像(SR)アルゴリズムは、軌道から取得した低解像度(LR)衛星データの最大化に不可欠である。
既存の手法では、鮮明なテクスチャと正しい接地オブジェクトでSR画像を復元する際の課題に直面している。
本稿では,大規模リモートセンシング画像の超解像を実現するための新しいフレームワークであるセマンティックガイド拡散モデル(SGDM)を提案する。
論文 参考訳（メタデータ） (2024-05-11T16:06:16Z) - Remote Diffusion [0.0]
遠隔センシングにおける領域固有の衛星・空中画像生成のための安定拡散v1.5の適用について検討した。
RSICDデータセットを使用して、0.2の損失で安定拡散モデルをトレーニングしました。
土地利用土地分類(LULC)タスクのための合成データセットを作成し、RAGとChatGPTによるプロンプト技術を採用した。
大規模な微調整とデータセットの反復にもかかわらず、結果は、高いFIDスコアとドメインエキスパート評価によって示されるように、画像の品質とリアリズムが不足していることを示している。
論文 参考訳（メタデータ） (2024-05-07T23:44:09Z) - 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) - Diffusion Facial Forgery Detection [56.69763252655695]
本稿では,顔に焦点をあてた拡散生成画像を対象とした包括的データセットであるDiFFを紹介する。
人体実験といくつかの代表的な偽造検出手法を用いて,DiFFデータセットの広範な実験を行った。
その結果、人間の観察者と自動検出者の2値検出精度は30%以下であることが判明した。
論文 参考訳（メタデータ） (2024-01-29T03:20:19Z) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-12-11T18:38:28Z) - On quantifying and improving realism of images generated with diffusion [50.37578424163951]
与えられた画像の5つの統計的測度から算出した画像リアリズムスコア(IRS)と呼ばれるメトリクスを提案する。
IRSは、与えられた画像を実または偽のものとして分類する手段として容易に利用できる。
我々は,安定拡散モデル (SDM) , Dalle2, Midjourney, BigGAN による偽画像の検出に成功して,提案したIRSのモデルおよびデータに依存しない性質を実験的に確立した。
このデータセットは、高品質の4つのモデルによって生成される100のクラスに対して1,000のサンプルを提供します。
論文 参考訳（メタデータ） (2023-09-26T08:32:55Z) - Manifold Constraint Regularization for Remote Sensing Image Generation [34.68714863219855]
GAN(Generative Adversarial Networks)は、リモートセンシング領域における顕著な成果を示している。
本稿では,リモートセンシング画像の特徴を分析し,多様体制約正規化を提案する。
論文 参考訳（メタデータ） (2023-05-31T02:35:41Z) - Recognition of polar lows in Sentinel-1 SAR images with deep learning [5.571369922847262]
本研究では, 海洋性メソサイクロン, 陰性, 正常な海の状態を表すSentinel-1画像からなる新しいデータセットについて紹介する。
データセットは、ラベル付きイメージを分類するためにディープラーニングモデルをトレーニングするために使用される。
このモデルではF-1スコアが0.95であり、SAR画像から極低を一貫して検出できることを示している。
論文 参考訳（メタデータ） (2022-03-30T15:32:39Z)
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。