Fugu-MT 論文翻訳(概要): Wavelet-based GAN Fingerprint Detection using ResNet50

論文の概要: Wavelet-based GAN Fingerprint Detection using ResNet50

arxiv url: http://arxiv.org/abs/2510.21822v1
Date: Tue, 21 Oct 2025 22:40:16 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-28 17:41:21.910146
Title: Wavelet-based GAN Fingerprint Detection using ResNet50
Title（参考訳）: ResNet50を用いたウェーブレットベースガン指紋検出
Authors: Sai Teja Erukude, Suhasnadh Reddy Veluru, Viswa Chaitanya Marella,
Abstract要約: GAN(Generative Adversarial Networks)は、デジタル画像法医学において重要な課題となっている。本研究では、離散ウェーブレット変換前処理を用いたウェーブレットに基づく検出手法を提案する。提案手法は,GAN画像の検出におけるウェーブレット領域解析の有効性を示し,将来的なディープフェイク検出システムの可能性を強調した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Identifying images generated by Generative Adversarial Networks (GANs) has become a significant challenge in digital image forensics. This research presents a wavelet-based detection method that uses discrete wavelet transform (DWT) preprocessing and a ResNet50 classification layer to differentiate the StyleGAN-generated images from real ones. Haar and Daubechies wavelet filters are applied to convert the input images into multi-resolution representations, which will then be fed to a ResNet50 network for classification, capitalizing on subtle artifacts left by the generative process. Moreover, the wavelet-based models are compared to an identical ResNet50 model trained on spatial data. The Haar and Daubechies preprocessed models achieved a greater accuracy of 93.8 percent and 95.1 percent, much higher than the model developed in the spatial domain (accuracy rate of 81.5 percent). The Daubechies-based model outperforms Haar, showing that adding layers of descriptive frequency patterns can lead to even greater distinguishing power. These results indicate that the GAN-generated images have unique wavelet-domain artifacts or "fingerprints." The method proposed illustrates the effectiveness of wavelet-domain analysis to detect GAN images and emphasizes the potential of further developing the capabilities of future deepfake detection systems.
Abstract（参考訳）: GAN(Generative Adversarial Networks)が生成する画像の同定は,デジタル画像法医学において重要な課題となっている。本研究では、離散ウェーブレット変換(DWT)前処理とResNet50分類層を用いて、StyleGAN生成画像と実画像とを区別するウェーブレット検出手法を提案する。 Haar と Daubechies のウェーブレットフィルタを適用して入力画像を多重解像度の表現に変換する。さらに、ウェーブレットベースのモデルは、空間データに基づいてトレーニングされた同一のResNet50モデルと比較される。 HaarとDaubechiesの事前処理モデルは93.8%と95.1%の精度を達成し、空間領域で開発されたモデルよりもはるかに高い精度を実現した(精度は81.5%)。 DaubechiesベースのモデルはHaarよりも優れており、説明的な周波数パターンのレイヤーを追加することで、さらに大きなパワーが生まれる可能性があることを示している。これらの結果から,GAN生成した画像には独自のウェーブレット・ドメイン・アーティファクトや「フィンガープリント」が存在することが示唆された。提案手法は,GAN画像の検出におけるウェーブレット領域解析の有効性を示し,将来的なディープフェイク検出システムの可能性を強調した。

関連論文リスト

Fourier-Based GAN Fingerprint Detection using ResNet50 [0.0]
本稿では、周波数領域解析とディープラーニングを組み合わせることで、StyleGAN生成画像と実際の画像とを区別する問題を解く。 ResNet50ニューラルネットワークは、これらの変換されたイメージに基づいて、実画像と合成画像の区別を訓練する。以上の結果から,GAN生成画像には独自の周波数領域シグネチャやフィンガープリントが存在することが示唆された。
論文参考訳（メタデータ） (2025-10-18T14:44:55Z)
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)
Time Step Generating: A Universal Synthesized Deepfake Image Detector [0.4488895231267077]
汎用合成画像検出器 Time Step Generating (TSG) を提案する。 TSGは、事前訓練されたモデルの再構築能力、特定のデータセット、サンプリングアルゴリズムに依存していない。我々は,提案したTSGを大規模GenImageベンチマークで検証し,精度と一般化性の両方において大幅な改善を実現した。
論文参考訳（メタデータ） (2024-11-17T09:39:50Z)
Enhanced Wavelet Scattering Network for image inpainting detection [0.0]
本稿では,低レベル雑音解析に基づく塗装前駆体検出のための革新的なアイデアをいくつか提案する。これはDual-Tree Complex Wavelet Transform (DT-CWT)と畳み込みニューラルネットワーク(CNN)を組み合わせて、偽エリア検出とローカライゼーションを実現している。提案手法は最先端手法に対してベンチマークを行い,提案手法よりも優れた性能を示した。
論文参考訳（メタデータ） (2024-09-25T15:27:05Z)
WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
深部画像登録は異常な精度と高速な推測を示した。近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
論文参考訳（メタデータ） (2024-07-18T11:51:01Z)
Wavelet-based Bi-dimensional Aggregation Network for SAR Image Change Detection [53.842568573251214]
3つのSARデータセットによる実験結果から、我々のWBANetは現代最先端の手法を著しく上回っていることが明らかとなった。我々のWBANetは、それぞれのデータセットで98.33%、96.65%、96.62%の正確な分類(PCC)を達成している。
論文参考訳（メタデータ） (2024-07-18T04:36:10Z)
Texture Classification Network Integrating Adaptive Wavelet Transform [7.634818631225403]
Graves病は超音波画像における甲状腺の質感の滑らかさを判定して臨床的に診断される一般的な疾患である。現在、Graves病の自動診断に最も広く用いられているアプローチは、特徴抽出と分類の両方に畳み込みニューラルネットワーク(CNN)を使用している。本研究では,Lfting Schemeを利用した学習可能なウェーブレットモジュールをCNNに統合し,ResNet18モデルに並列ウェーブレット分岐を組み込んでテクスチャ特徴抽出を強化する。
論文参考訳（メタデータ） (2024-04-08T08:42:47Z)
ImageNet-D: Benchmarking Neural Network Robustness on Diffusion Synthetic Object [78.58860252442045]
我々は、深層モデルの堅牢性をベンチマークするハードイメージのためのデータソースとして、生成モデルを紹介した。このベンチマークを ImageNet-D と呼ぶ以前の作業よりも、背景、テクスチャ、材料が多様化したイメージを生成することができます。我々の研究は、拡散モデルが視覚モデルをテストするのに効果的な情報源となることを示唆している。
論文参考訳（メタデータ） (2024-03-27T17:23:39Z)
DiffiT: Diffusion Vision Transformers for Image Generation [88.08529836125399]
ViT(Vision Transformer)は、特に認識タスクにおいて、強力なモデリング機能とスケーラビリティを実証している。拡散型生成学習におけるViTの有効性について検討し、拡散ビジョン変換器(DiffiT)と呼ばれる新しいモデルを提案する。 DiffiTはパラメータ効率が大幅に向上した高忠実度画像を生成するのに驚くほど効果的である。
論文参考訳（メタデータ） (2023-12-04T18:57:01Z)
Noise Homogenization via Multi-Channel Wavelet Filtering for High-Fidelity Sample Generation in GANs [47.92719758687014]
GAN(Generative Adversarial Networks)のための新しいマルチチャネルウェーブレットに基づくフィルタリング手法を提案する。ジェネレータにウェーブレットのデコンボリューション層を埋め込むと、結果のGANであるWaveletGANがウェーブレットのデコンボリューションを利用して複数のチャネルによるフィルタリングを学習する。オープンGANベンチマークツールを用いて,Fashion-MNIST,KMNIST,SVHNデータセットのベンチマーク実験を行った。
論文参考訳（メタデータ） (2020-05-14T03:40:11Z)

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。