合成数据增强用于抵御真实世界扰动的合成图像检测
计算机视觉与模式识别
2025-06-16 v1 人工智能
摘要
可获取的生成式AI工具的出现使任何人都能够创建和传播带有误导意图的社交媒体上的合成图像，这对在线信息完整性构成重大威胁。大多数现有的合成图像检测（SID）解决方案在来自互联网的生成图像上难以应对，因为这些图像常被压缩和其他操作所改变。为此，我们的研究通过探索数据增强组合、利用遗传算法进行最优增强选择，并引入双准则优化方法来增强SID。这些方法显著提高了在真实世界扰动下的模型性能。我们的发现为开发能够在不同质量和转换条件下识别合成图像的检测模型提供了宝贵的见解，最佳模型相比无增强的模型实现了平均精度提升+22.53%。实现代码已发布于 github.com/efthimia145/sid-composite-data-augmentation。
引用
@article{arxiv.2506.11490,
title = {Composite Data Augmentations for Synthetic Image Detection Against Real-World Perturbations},
author = {Efthymia Amarantidou and Christos Koutlis and Symeon Papadopoulos and Panagiotis C. Petrantonakis},
journal= {arXiv preprint arXiv:2506.11490},
year = {2025}
}
备注
EUSIPCO 2025 (33rd European Signal Processing Conference)