CLOFAI：用于持续学习的真假图像分类数据集
计算机视觉与模式识别
2025-01-22 v1 人工智能
摘要
生成式 AI 模型能够创建逼真媒体的快速发展导致了需要准确区分真实与人工生成图像的分类器。这些分类器面临的主要挑战是当它们遇到来自训练数据中未表示的生成模型时，通常会导致性能下降。典型做法是定期更新分类器的训练数据以包含来自新生成模型的图像，然后对更新后的数据集重新训练分类器。然而，在某些现实场景中，存储、计算或隐私限制使这种方法不可行。此外，可能需要快速适应的安全应用中使用的模型。在这种情况下，持续学习提供了一个有前景的替代方案，因为分类器可以在不重新训练整个数据集的情况下进行更新。在本文中，我们引入了一个新数据集，称为 CLOFAI (Continual Learning On Fake and Authentic Images)，其形式为域递增图像分类问题。此外，我们展示了该数据集作为持续学习方法评估基准的适用性。为此，我们使用三种基础持续学习方法——EWC、GEM 和经验回放——在新数据集上建立了基线，并发现 EWC 表现不佳，而 GEM 和经验回放显示出比 Naive 基线显著更好的性能。该数据集和运行实验的代码可从以下 GitHub 仓库获取：https://github.com/Will-Doherty/CLOFAI。
引用
@article{arxiv.2501.11140,
title = {CLOFAI: A Dataset of Real And Fake Image Classification Tasks for Continual Learning},
author = {William Doherty and Anton Lee and Heitor Murilo Gomes},
journal= {arXiv preprint arXiv:2501.11140},
year = {2025}
}