Syn2Real：基于无监督域自适应的伪造分类
计算机视觉与模式识别
2020-02-04 v1
摘要
近年来，由于图像处理和计算机视觉技术中的现代工具，图像操纵变得日益容易，生成的图像也更加自然逼真。识别伪造图像的任务变得极具挑战性。在不同类型的伪造中，由于检测此类篡改的困难，复制-移动伪造的案例正成倍增加。为解决此类问题，公开可用的数据集尚不充分。在本文中，我们提出使用深度语义图像修复和复制-移动伪造算法来创建一个合成伪造数据集。然而，在这些数据集上训练的模型在更真实的数据上测试时性能显著下降。为缓解该问题，我们使用无监督域自适应网络，通过映射来自我们合成生成数据集的特征空间，在新域中检测复制-移动伪造。此外，我们在CASIA和CoMoFoD数据集上的F1分数分别提升至80.3%和78.8%。我们的方法可用于那些数据分类标签不可用的情况。
引用
@article{arxiv.2002.00807,
title = {Syn2Real: Forgery Classification via Unsupervised Domain Adaptation},
author = {Akash Kumar and Arnav Bhavasar},
journal= {arXiv preprint arXiv:2002.00807},
year = {2020}
}