論文の概要: Chroma Clues: Leveraging Color Statistics to Detect Synthetic Images
- arxiv url: http://arxiv.org/abs/2606.02224v2
- Date: Tue, 09 Jun 2026 12:14:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-10 15:40:57.924799
- Title: Chroma Clues: Leveraging Color Statistics to Detect Synthetic Images
- Title（参考訳）: クロマクロース:合成画像の検出に色統計を活用する
- Authors: Lea Uhlenbrock, Davide Cozzolino, Christian Riess,
- Abstract要約: 我々は、現在の生成モデル、すなわち、自然画像の色統計を模倣する弱点について、探索されていないキューを利用する。
本稿では、6つの手作り色変換と、タスク最適化色変換を学習し、統計的に生成された画像を公開する方法を紹介する。
- 参考スコア（独自算出の注目度）: 12.421358556104062
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The evolution and dissemination of AI-synthesized images is occurring at an unprecedented rate. Image generators are making rapid progress in their goal of perfectly imitating natural images, which also challenges image forensics. In this work, we exploit an underexplored cue in current generative models, namely their weakness to imitate color statistics of natural images. We first show that the LPIPS loss used for training image generators is less sensitive to chrominance than to luminance, which may lead to statistical discrepancies in the colors of synthetic images. Building on this observation, we then introduce six hand-crafted color transformations and a method to learn a task-optimized color transform to statistically expose generated images. These transformations can be used in various ways. First, we define color-sensitive features at pixel-level or patch-level. A simple, interpretable classifier achieves with these features an average generalization accuracy of 93.27% and strong robustness against six types of post-processing. Second, we demonstrate that the transformations exhibit characteristic visual noise patterns in natural and synthetic image areas, which enables an intuitive visual image evaluation. Third, we demonstrate that the transforms can enhance color patterns in generated images for improved multiclass attribution.
- Abstract（参考訳）: AI合成画像の進化と普及は前例のない速度で起きている。
画像ジェネレータは、自然画像を完全に模倣するという目標を急速に進めており、画像の法医学にも挑戦している。
本研究では,現在の生成モデルにおいて,自然画像の色統計を模倣する弱点として,未探索のキューを利用する。
画像生成装置のトレーニングに用いたLPIPS損失は、輝度よりも発色に敏感で、合成画像の色に統計的に相違があることを最初に示した。
この観測に基づいて、6つの手作り色変換と、タスク最適化色変換を学習して、統計的に生成された画像を公開する方法を導入する。
これらの変換は様々な方法で利用することができる。
まず、画素レベルまたはパッチレベルで色に敏感な特徴を定義する。
単純な解釈可能な分類器は、これらの特徴により平均一般化精度93.27%、および6種類の後処理に対して強い堅牢性が得られる。
第2に, 自然な画像領域と合成画像領域に特徴的な視覚ノイズパターンを呈示し, 直感的な視覚的評価を可能にする。
第3に,この変換によって生成画像の色パターンが向上し,マルチクラス属性が向上することが実証された。
関連論文リスト
- Detecting Generated Images by Fitting Natural Image Distributions [75.31113784234877]
本稿では,自然画像と生成画像のデータ多様体間の幾何学的差異を利用した新しいフレームワークを提案する。
自然画像に対して一貫した出力を出力するために設計された関数対を用いるが、生成した関数に対しては発散出力を用いる。
データ多様体に沿った変換が、自然画像上で事前訓練された自己教師付きモデルの損失値に有意な変化をもたらす場合、画像は生成されたものとして識別される。
論文 参考訳（メタデータ） (2025-11-03T07:20:38Z) - Transforming Color: A Novel Image Colorization Method [8.041659727964305]
本稿では,色変換器とGANを用いた画像カラー化手法を提案する。
提案手法は,グローバルな情報を取得するためのトランスフォーマーアーキテクチャと,視覚的品質を改善するためのGANフレームワークを統合する。
実験の結果,提案するネットワークは,他の最先端のカラー化技術よりも優れていた。
論文 参考訳（メタデータ） (2024-10-07T07:23:42Z) - Incorporating Ensemble and Transfer Learning For An End-To-End
Auto-Colorized Image Detection Model [0.0]
本稿では,移動学習とアンサンブル学習の利点を組み合わせた新たな手法を提案する。
提案したモデルは、94.55%から99.13%の精度で有望な結果を示す。
論文 参考訳（メタデータ） (2023-09-25T19:22:57Z) - A Robust Image Forensic Framework Utilizing Multi-Colorspace Enriched Vision Transformer for Distinguishing Natural and Computer-Generated Images [0.0]
本稿では、リッチな視覚変換器を利用して、自然画像と生成画像の区別を行う頑健な法科学分類手法を提案する。
提案手法は,各クラスの評価において,94.25%の検定精度と有意な性能向上を示す。
この研究は、自然な画像と生成された画像を区別する汎用的でレジリエントなソリューションを提供することにより、画像鑑定の最先端を推し進める。
論文 参考訳（メタデータ） (2023-08-14T17:11:17Z) - Neural Color Operators for Sequential Image Retouching [62.99812889713773]
本稿では,新たに導入したトレーニング可能なニューラルカラー演算子のシーケンスとして,リタッチ処理をモデル化して,新しい画像リタッチ手法を提案する。
ニューラルカラー演算子は、従来のカラー演算子の振舞いを模倣し、その強度をスカラーで制御しながらピクセルワイズな色変換を学習する。
定量的な測定と視覚的品質の両面で,SOTA法と比較して常に最良の結果が得られている。
論文 参考訳（メタデータ） (2022-07-17T05:33:19Z) - Detecting Recolored Image by Spatial Correlation [60.08643417333974]
画像のリカラー化は、画像の色値を操作して新しいスタイルを与える、新たな編集技術である。
本稿では,空間相関の観点から,従来型と深層学習による再色検出の汎用的検出能力を示す解を探索する。
提案手法は,複数のベンチマークデータセット上での最先端検出精度を実現し,未知の種類の再色法を適切に一般化する。
論文 参考訳（メタデータ） (2022-04-23T01:54:06Z) - Texture for Colors: Natural Representations of Colors Using Variable
Bit-Depth Textures [13.180922099929765]
そこで本研究では,画像の強度だけでなく,元の色も表わす2値テクスチャの組に画像が変換される自動手法を提案する。
このシステムは、様々な画像ソースでテストすると、美的にバイナリイメージを満足させる。
論文 参考訳（メタデータ） (2021-05-04T21:22:02Z) - 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) - Degrade is Upgrade: Learning Degradation for Low-light Image Enhancement [52.49231695707198]
2段階の工程で細部と色を精錬しながら、内在的な劣化と低照度画像を照らし出す。
カラー画像の定式化に触発されて,まず低照度入力からの劣化を推定し,環境照明色の歪みをシミュレーションし,そのコンテンツを精錬して拡散照明色の損失を回復した。
LOL1000データセットではPSNRで0.95dB、ExDarkデータセットでは3.18%のmAPでSOTAを上回った。
論文 参考訳（メタデータ） (2021-03-19T04:00:27Z)
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。