使用像素智能特征提取和卷积神经网络检测AI创建的图像
Fernando Martin-Rodriguez1, Rocio Garcia-Mojon1, Monica Fernandez-Barciela1
1AtlanTTic Research Center for Telecommunication Technologies, University of Vigo, 36310 Vigo, Spain.
Sensors (Basel, Switzerland)
|November 25, 2023
概括
这项研究引入了一种新的方法,用于区分人工智能生成的图像和使用像素级特征的真实照片. 该方法在识别人工图像方面达到95%以上的准确性,这对于打击人工智能驱动的错误信息至关重要.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 数字法医学数字法医学
背景情况:
- 像DALL-E和稳定扩散这样的生成性AI模型可以从文本提示中创建光现实的图像.
- 人工智能产生的图像的扩散需要强大的方法来区分人工内容和真实的照片.
- 现有的研究主要集中在Deepfake检测上,在识别一般AI创建的图像方面留下了一个空白.
研究的目的:
- 开发和评估一种用于对图像进行二进制分类的方法,将图像分为人工生成的或自然捕获的.
- 为了区分由人工智能创建的摄影现实性的图像与物理相机拍摄的真实照片.
- 评估像素级特征提取技术对此分类任务的有效性.
主要方法:
- 使用照片响应不均性 (PRNU),传感器噪声模式是单个相机独有的.
- 采用错误级别分析 (ELA),这是传统上用于检测图像操纵的技术.
- 在提取的PRNU和ELA特征上训练卷积神经网络 (CNN) 来分类图像.
- 使用精度,回忆和F1得分指标评估性能.
主要成果:
- 在区分人工智能生成的图像和真实照片方面,实现了超过95%的分类准确率.
- 证明PRNU和ELA特征是区分人工和自然图像的有效指标.
- 这两种方法在与精度/回忆和F1分数测量评估时都表现出强的表现.
结论:
- 拟议的方法有效地将人工智能生成的图像与真实照片区分开来,准确度高.
- PRNU和ELA是人工智能图像法医学的有价值的特征提取技术.
- 这项研究有助于开发用于检测人工智能生成的视觉内容的先进工具.
