AIGC生成图像检测

AI生成图像技术的进展与影响

技术进步：

• 视觉质量与效率提拔：近年来，AI生成图像在视觉质量、语义复杂度及运行时间效率上均实现了明显飞跃。
  
• 成本降低与普及：生成虚假图像所需的专业知识和成本大幅降落，促使在线图像生成平台（如Midjourney、DALL·E）的鼓起，使得普通用户也能轻松根据需求生成图像。
  

平台与工具发展：

• Midjourney：作为热门平台，已迭代至5.2版本，提供付费服务。
  
• DALL·E：由OpenAI开辟，用户付费后可联合DALL·E 3、ChatGPT Plu版及企业版使用。微软已将其整合至Bing谈天及Microsoft Edge欣赏器。
  
• Stable Diffusion：Stability AI开源了v2.0、v2.1等版本，支持在线及当地盘算，通过文字输入生成高质量图像。
  
• 中文支持平台：Pixeling、wukong等平台支持中文text-to-image功能。
  

社会影响与担忧：

• 虚假信息传播：AI图像生成技术的普及加剧了虚假信息传播的担忧。
  

AIGC生成图像检测方法

[CNNSpot] CNN生成的图像惊人地容易被识别...如今

CNNSpot提出了一种简朴而有效的伪造图像检测器。他们接纳ResNet-50作为分类器，并观察到包罗JPEG压缩和高斯模糊在内的数据加强可以提高检测器的泛化能力，这意味着检测器可以很好地泛化到未见过的架构、数据集和练习方法。
[GramNet] 野外伪造面部检测中的全局纹理加强

GramNet观察了伪造面部和真实面部之间的纹理差异。基于这一观察，他们旨在通过将全局纹理提取融入常见的ResNet布局中，来提高检测器的泛化能力和鲁棒性。
[FreDect] 使用频率分析举行深度伪造图像识别

FreDect揭示了在频率空间中，GAN生成的图像会表现出严峻的伪影，这些伪影很容易被识别。基于这一分析，他们提出了伪造图像的频率异常，并从频率域举行伪造图像检测。
[Fusing] 融合全局和局部特性以实现通用的AI合成图像检测

Fusing使用双分支模型从整个图像中提取全局空间信息，并从由新型补丁选择模块选择的多个补丁中提取局部信息特性。全局和局部特性通过多头注意力机制举行融合。然后，练习一个分类器来基于融合后的特性检测伪造图像。
[LNP] 通过真实图像检测生成图像

LNP观察到真实图像的噪声模式在频率域中表现出相似的特性，而生成图像的噪声模式则大相径庭。因此，它基于一个练习良好的去噪模型提取空间图像的噪声模式。然后，它从噪声模式的频率域中识别伪造图像。
[LGrad] 基于梯度学习：GAN生成图像检测的通用伪影表示

LGrad提取了一个练习良好的图像分类器获得的梯度图，作为GAN生成图像的指纹。这种方法将数据依靠题目转化为变换模型依靠题目。然后，它基于梯度图举行二分类使命。
[UnivFD] 迈向跨生成模型的通用伪造图像检测器

UnivFD使用由大型预练习视觉-语言模型（CLIP:ViT-L/14）提取的特性空间来练习检测器。大型预练习模型导致平滑的决策界限，这提高了检测器的泛化能力。
[DIRE] 用于扩散生成图像检测的DIRE

DIRE致力于识别由扩散模型生成的伪造图像。他们观察到扩散模型可以近似重修扩散生成的图像，而真实图像则不能。基于这一观察，他们使用预练习扩散模型对输入图像及其重修图像之间的误差作为指纹。
[PatchCraft (RPTC)] PatchCraft：探索纹理补丁以实现高效的AI生成图像检测

PatchCraft使用图像中丰富纹理地区和缺少纹理地区之间的像素间干系性对比。丰富纹理地区中的像素表现出比缺少纹理地区中的像素更明显的波动。基于这一原理，我们将图像分成多个补丁，并将它们重修为两幅图像，分别包含丰富纹理补丁和缺少纹理补丁。随后，我们提取丰富纹理地区和缺少纹理地区之间的像素间干系性差异特性。这一特性作为跨差异生成模型的AI生成图像取证的通用指纹。
评估数据

 

 

 

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。