TextureCrop：通过基于纹理的裁剪增强合成图像检测
计算机视觉与模式识别
2025-01-17 v4
摘要
生成式人工智能技术产生的图像日益逼真，尽管其在创意应用方面潜力巨大，但也可能被滥用于制造误导性和有害内容。这使得合成图像检测（Synthetic Image Detection, SID）方法对于识别在线 AI 生成内容至关重要。由于架构或计算限制，最先进的 SID 方法通常会对输入图像进行缩放或中心裁剪，这阻碍了对高分辨率图像中出现的伪影的检测。为解决这一局限，我们提出了 TextureCrop，一种可插入任何预训练 SID 模型以提升其性能的图像预处理组件。通过聚焦于生成伪影普遍存在的高频图像部分，TextureCrop 在可控的内存需求下增强了 SID 性能。实验结果表明，在 Forensynths、Synthbuster 和 TWIGMA 数据集的高分辨率图像上，与中心裁剪相比，各种检测器的 AUC 一致提升了 6.1%，与缩放相比提升了 15%。代码见 https://github.com/mever-team/texture-crop。
引用
@article{arxiv.2407.15500,
title = {TextureCrop: Enhancing Synthetic Image Detection through Texture-based Cropping},
author = {Despina Konstantinidou and Christos Koutlis and Symeon Papadopoulos},
journal= {arXiv preprint arXiv:2407.15500},
year = {2025}
}
备注
10 pages, 7 images