Supresión activa de ruido adversarial para la localización de falsificaciones de imágenes

Área de la Ciencia:

• Informática
• Inteligencia Artificial
• Procesamiento de Imágenes

Sus antecedentes:

• Los avances en el aprendizaje profundo mejoran la localización de falsificaciones de imágenes, pero los modelos son vulnerables a ataques adversariales.
• El ruido imperceptible en los ataques adversariales engaña significativamente a los modelos actuales de localización de falsificaciones.

Objetivo del estudio:

• Desarrollar un mecanismo de defensa contra ataques adversariales para la localización de falsificaciones de imágenes.
• Mejorar la robustez de los modelos de aprendizaje profundo en la detección de imágenes manipuladas.

Principales métodos:

• Se introdujo un Módulo de Supresión de Ruido Adversarial (ANSM) que genera perturbaciones defensivas.
• Se implementó una estrategia de entrenamiento en dos etapas: Alineación de Características Relevantes para Falsificaciones (FFA) y Refinamiento Guiado por Máscara (MgR).
• FFA minimiza las discrepancias de distribución utilizando la divergencia de Kullback-Leibler.
• MgR utiliza restricciones de máscara dual para el refinamiento.

Principales resultados:

• El método propuesto restaura significativamente el rendimiento de la localización de falsificaciones en imágenes adversariales.
• El rendimiento en imágenes falsificadas originales permanece en gran medida sin afectar al usar el ANSM.
• Experimentos exhaustivos confirman la efectividad en varios algoritmos de ataque.

Conclusiones:

• El Módulo de Supresión de Ruido Adversarial (ANSM) desarrollado proporciona una defensa eficaz contra ataques adversariales en la localización de falsificaciones de imágenes.
• Este trabajo representa la primera defensa adversarial reportada específicamente para tareas de localización de falsificaciones de imágenes.
• Se publican el código fuente y el conjunto de datos de antifalsificación para futuras investigaciones.