测试时间适应用于检测图像涂装伪造的伪造品.

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 图像处理 图像处理

背景情况:

• 基于深度学习的图像 inpainting 创建高度现实的假冒,挑战当前的检测模型.
• 当测试数据分布与训练数据不同时,检测性能显著下降 (分布式转移).
• 现有的方法与不断变化的性质和各种绘画技术的多样化痕迹作斗争.

研究的目的:

• 开发一个强大的测试时间适应性检测框架,用于图像 inpainting 伪造.
• 增强伪造检测模型在动态,分发之外的环境中的适应性和检测精度.
• 解决静态检测模型的局限性,这些模型面临着多样化和不断发展的油漆方法.

主要方法:

• 提出基于图像梯度的指标来量化模型不确定性和指导适应.
• 整合不确定性度量与样本特定的批量规范化 (BN) 统计数据,以增强推断.
• 引入一个交叉注意模块,用于动态的侧调适应,而不会改变骨干网络.
• 从多种 inpainting 方法构建多样化的合成图像数据集.

主要成果:

• 拟议的测试时间适应性框架显著优于现有的基线方法.
• 证明了伪造检测模型对分布式转移的增强适应性.
• 在动态环境中实现了更好的检测性能,具有未见的涂料变化.
• 在两个分布偏差情景中验证的有效性.

结论:

• 开发的框架有效地解决了检测复杂的图像伪造的挑战.
• 使用梯度指标和交叉注意模块的测试时间适应提高了模型的稳定性.
• 该方法为在现实世界中保持高检测准确度提供了一个有希望的解决方案,不断发展的场景.