可靠的合成图像的分发外识别
Anatol Maier1, Christian Riess1
1Department of Computer Science, IT Security Infrastructures Lab, University Erlangen-Nürnberg (FAU), 91058 Erlangen, Germany.
Journal of imaging
|May 24, 2024
概括
本研究介绍了贝叶斯神经网络 (BNNs),以改善GAN和DM产生的合成图像的检测. BNN提供不确定性测量,提高了分发之外的法医分析的可靠性.
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:
- 生成对抗网络 (GAN) 和扩散模型 (DM) 创建现实的合成图像,对多媒体法医提出挑战.
- 现有的探测器在将其推广到未见的生成器或后处理方面遇到了困难,导致分布外预测失败.
- 目前的方法,如数据增强或定制网络,可以减轻错误分类的风险,但不能消除.
研究的目的:
- 开发一种更强大的法医探测器,能够处理分布外的输入.
- 为法医分析师提供一个不确定性衡量标准,以识别困难或模两可的案例.
- 从图像生成器和后处理操作中区分文物.
主要方法:
- 实现贝叶斯神经网络 (BNN) 用于图像法医分析.
- 训练BNN同时进行分类和不确定性估计.
- 评估BNN的性能与各种数据集上的最先进的探测器相比,包括分布之外的例子.
主要成果:
- 国民网的性能与现有的最先进的法医检测器相提并论.
- 在预测分布外样本的结果方面,BNN表现出卓越的可靠性.
- 不确定性量化有效地突出了对分析师具有挑战性的案例.
结论:
- 贝叶斯神经网络提供了一个有希望的方法来提高合成图像检测的稳定性.
- BNN提供了关键的不确定性估计,提高了法医分析在现实场景中的可靠性.
- 这种方法有效地解决了多媒体法医学的概括差距,通过处理未见的数据分布.
