ArtiFact：用于可泛化且鲁棒的合成图像检测的大规模人工与真实图像数据集
计算机视觉与模式识别
2023-02-27 v2 人工智能
机器学习
摘要
合成图像生成带来了新机遇，但也引发了有关隐私、真实性与安全的威胁。检测伪造图像对于防范非法活动至关重要，以往研究表明生成模型会在其合成图像中留下独特模式，可被用于检测。然而，泛化这一根本问题依然存在，因为即便最先进的检测器在面临训练时未见的生成器时也遭遇困难。为评估合成图像检测器在真实世界损伤下的泛化性与鲁棒性，本文提出一个名为 ArtiFact 的大规模数据集，涵盖多样的生成器、对象类别与真实世界挑战。此外，所提出的多分类方案结合滤波步长缩减策略，解决了社交平台损伤问题，并有效检测来自已见与未见生成器的合成图像。在 ICIP 2022 的 IEEE VIP Cup 挑战赛中，按准确率指标衡量，所提方案在 Test 1 上以 8.34%、Test 2 上 1.26%、Test 3 上 15.08% 显著优于其他顶尖团队。
引用
@article{arxiv.2302.11970,
title = {ArtiFact: A Large-Scale Dataset with Artificial and Factual Images for Generalizable and Robust Synthetic Image Detection},
author = {Md Awsafur Rahman and Bishmoy Paul and Najibul Haque Sarker and Zaber Ibn Abdul Hakim and Shaikh Anowarul Fattah},
journal= {arXiv preprint arXiv:2302.11970},
year = {2023}
}
备注
Figures High-Res