T-GD：可迁移的GAN生成图像检测框架
计算机视觉与模式识别
2020-08-11 v1
摘要
生成对抗网络（GAN）的最新进展使得高度逼真图像的合成成为可能，这引发了人们对其被用于恶意目的的担忧。由于底层伪影和特定模式的显著减少，检测这些GAN生成图像（GAN-images）变得愈发困难。此类痕迹的缺失会阻碍检测算法识别GAN图像，并阻碍其将知识迁移以识别其他类型的GAN图像。本文提出可迁移GAN图像检测框架T-GD，一种用于有效检测GAN图像的鲁棒可迁移框架。T-GD由教师模型和学生模型组成，二者可迭代地相互教导与评估以提升检测性能。首先，我们在源数据集上训练教师模型，并将其作为学习目标数据集的起点。为训练学生模型，我们通过混合源数据集与目标数据集来注入噪声，同时约束权重变化以保留起点。我们的方法是一种自训练方法，但其区别于先前方法的之处在于专注于提升GAN图像检测的可迁移性。T-GD在源数据集上通过克服灾难性遗忘取得了高性能，并仅利用少量无元数据信息的数据有效检测最先进的GAN图像。
引用
@article{arxiv.2008.04115,
title = {T-GD: Transferable GAN-generated Images Detection Framework},
author = {Hyeonseong Jeon and Youngoh Bang and Junyaup Kim and Simon S. Woo},
journal= {arXiv preprint arXiv:2008.04115},
year = {2020}
}
备注
ICML 2020