ImagiNet：用于合成图像检测的多内容基准
计算机视觉与模式识别
2025-01-15 v3 机器学习
摘要
近期生成模型产生的图像在逼真度上几乎无法与真实照片和艺术品区分。这些模型的潜在有害用途 necessitates 创造 robust synthetic image 检测器。然而，当前数据集中包含的生成图像质量存疑，或来自单一主导内容类型的示例，导致底层检测器的泛化性差。我们发现，跨越各种内容类型的高分辨率生成图像进行均衡策录，对检测器的泛化性至关重要。我们引入 ImagiNet，包含 20 万个示例，涵盖四类：照片、绘画、人脸和杂项。ImagiNet 中的合成图像使用开源和专有生成器生成，而每种内容类型的真实图像则收集自公开数据集。ImagiNet 的结构允许一个双轨评估系统：i) 分类为 real 或 synthetic，ii) 识别生成模型。为建立强基准，我们使用自监督对比目标 (SelfCon) 为每个轨道训练 ResNet-50 模型，在压缩和调整大小等条件下实现最高 0.99 的 evaluation AUC 和 86%~95% 的平衡准确率。提供的模型足够通用，以在以前的合成检测基准上实现 zero-shot state-of-the-art 性能。我们提供消融实验以证明内容类型的重要性，并发布代码和数据。
引用
@article{arxiv.2407.20020,
title = {ImagiNet: A Multi-Content Benchmark for Synthetic Image Detection},
author = {Delyan Boychev and Radostin Cholakov},
journal= {arXiv preprint arXiv:2407.20020},
year = {2025}
}
备注
Workshop on Datasets and Evaluators of AI Safety, AAAI 2025