X-Transfer：一种基于迁移学习的 GAN 生成假图像检测框架
计算机视觉与模式识别
2024-01-31 v2
摘要
生成对抗网络（GANs）在多个领域取得了显著进展，尤其是图像生成与编辑。然而，利用 GANs 生成欺骗性图像（如人脸替换）的滥用行为引发了重大的安全担忧，已引起广泛关注。因此，亟需开发有效的检测方法来区分真实与伪造图像。当前研究集中于迁移学习的应用。然而，它面临诸如原始数据集的知识遗忘，以及训练时处理不平衡数据性能不足等挑战。为缓解该问题，本文提出一种名为 X-Transfer 的新型 GAN 生成图像检测算法，其通过利用两个采用交错并行梯度传输的神经网络来增强迁移学习。此外，我们结合 AUC 损失与交叉熵损失以提升模型性能。我们在多个人脸图像数据集上进行了全面实验。结果表明，我们的模型优于通用迁移方法，最佳指标达到 99.04%，提升了约 10%。进一步，我们在非人脸数据集上展示了优异性能，验证了其泛化性与更广阔的应用前景。
引用
@article{arxiv.2310.04639,
title = {X-Transfer: A Transfer Learning-Based Framework for GAN-Generated Fake Image Detection},
author = {Lei Zhang and Hao Chen and Shu Hu and Bin Zhu and Ching Sheng Lin and Xi Wu and Jinrong Hu and Xin Wang},
journal= {arXiv preprint arXiv:2310.04639},
year = {2024}
}
备注
9 pages, 3 figures, and 6 tables; references added