この記事では、人工知能によって生成された画像を検出するためのディープラーニング モデルを開発する方法を紹介します。
AI が生成した画像を検出するための多くの深層学習手法は、画像の生成方法や画像の特性/セマンティクスに基づいており、通常は次のようなものです。このモデルは、人、顔、車など、人工知能によって生成された特定のオブジェクトのみを認識できます。
しかし、この研究で提案された「リッチなテクスチャ コントラストと貧しいテクスチャ コントラスト: AI 生成の画像検出のためのシンプルかつ効果的なアプローチ」というタイトルの方法は、これらの課題を克服し、より幅広い適用可能性を備えています。この研究論文を詳しく見て、AI が生成した画像を検出する他の方法が直面する問題を効果的に解決する方法を説明します。
一般化問題
モデル (ResNet-50 など) を使用して人工知能によって生成された画像を認識すると、モデルは学習します。画像のセマンティクスに基づいています。実際の画像と AI が生成したさまざまな車の画像をトレーニングに使用して、AI が生成した車の画像を認識するようにモデルをトレーニングした場合、モデルはこれらのデータから車に関する情報のみを取得できますが、他のオブジェクトについては取得できません。識別。
トレーニングはさまざまなオブジェクトのデータに対して実行できますが、この方法では時間がかかり、未知のデータに対しては約 72% の精度しか達成できません。学習回数やデータ量を増やすことで精度は向上しますが、無制限に学習データを取得できるわけではありません。
つまり、電流検出モデルの一般化には大きな問題があり、この問題を解決するために、本論文では次のような手法を提案します。
Smash&Reconstructionこの論文では、トレーニング中に画像の形状から AI が生成した特徴をモデルが学習するのを防ぐ独自の方法を紹介します。著者はこの目標を達成するためにSmash&Reconstructionと呼ばれる手法を提案しています。
この方法では、画像を所定のサイズの小さなブロックに分割し、再配置して新しい画像を生成します。生成モデルの最終入力画像を形成する前に追加の手順が必要なため、これは簡単な概要にすぎません。
#画像を小さな部分に分割した後、その小さな部分を 2 つのグループに分割します。1 つのグループはテクスチャが豊富な小さな部分であり、もう一つは、質感の悪い小さな破片です。
#画像内のオブジェクトや対照的な色の 2 つの領域間の境界などの詳細な領域は、リッチ テクスチャ ブロックになります。豊かなテクスチャ領域は、空や静止した水など、主に背景であるテクスチャ領域と比較して、ピクセルのばらつきが大きくなります。
テクスチャリッチメトリクスの計算
まず、上の画像に示すように、画像を所定のサイズの小さなチャンクに分割します。次に、これらの画像パッチのピクセル グラデーションを見つけて (つまり、水平、対角、反対角方向のピクセル値の差を見つけてそれらを加算します)、それらをリッチ テクスチャ パッチと不十分なテクスチャ パッチに分離します。
テクスチャの少ないブロックと比較して、テクスチャが豊富なブロックのピクセル グラデーション値は高くなります。画像のグラデーション値の計算式は次のとおりです。
ピクセル コントラストに基づいて画像を分離し、2 つの合成画像を取得します。このプロセスは、この記事で「Smash&Reconstruction」と呼ぶ完全なプロセスです。
#これにより、モデルはオブジェクトのコンテンツ表現ではなく、テクスチャの詳細を学習できるようになります
fingerprint
指紋ベースの方法のほとんどは画像生成テクノロジによって制限されており、これらのモデル/アルゴリズムは、拡散、GAN などの特定の方法/類似の方法によって生成された画像のみを検出できます。または他の CNN ベースの画像生成方法)。
この問題を正確に解決するために、論文ではこれらの画像パッチをリッチなテクスチャと貧弱なテクスチャに分割しました。そこで著者は、人工知能によって生成された画像内の指紋を識別する新しい方法を提案しました。これが論文のタイトルです。彼らは、30 個のハイパス フィルターを適用した後、画像内のテクスチャの豊富なパッチとテクスチャの少ないパッチの間のコントラストを見つけることを提案しました。
リッチなテクスチャ パッチと貧弱なテクスチャ パッチのコントラストはどのように役立ちますか?
理解を深めるために、実際の画像と AI で生成された画像を並べて比較します。
It is difficult to view these two images with the naked eye, right?
The paper first uses the Smash&Reconstruction process :
Contrast between each image after applying 30 high-pass filters on them:
From these results we can see that the contrast between the AI-generated images and the real images is comparable Than, the contrast between rich and poor texture patches is much higher.
In this way, we can see the difference with the naked eye, so we can put the contrast results into the trainable model and input the result data into the classifier. This is the purpose of our paper. Model architecture:
The structure of the classifier is as follows:
The paper mentions 30 high-pass filters, which were originally introduced for steganalysis.
Note: There are many ways to steganographically image. Broadly speaking, as long as information is hidden in a picture in some way and is difficult to discover through ordinary means, it can be called picture steganography. There are many related studies on steganalysis, and those who are interested can check the relevant information.
The filter here is applied to the matrix values of the image using a convolution method. The filter used is a high-pass filter, which only allows the high-frequency features of the image to pass through it. High-frequency features typically include edges, fine details, and rapid changes in intensity or color.
All filters except (f) and (g) are rotated at an angle before being reapplied to the image, thus forming a total of 30 filter. The rotation of these matrices is done using affine transformations, which are done using SciPy.
Summary
The results of the paper have reached a verification accuracy of 92%, and it is said that if more training is done, there will be better results As a result, this is a very interesting research. I also found the training code. If you are interested, you can study it in depth:
Paper: https://arxiv.org/abs/2311.12397
Code: https://github.com/hridayK/Detection-of-AI-generated-images
以上がテクスチャ コントラスト検出を使用した AI 生成画像の検出の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

机器学习是一个不断发展的学科,一直在创造新的想法和技术。本文罗列了2023年机器学习的十大概念和技术。 本文罗列了2023年机器学习的十大概念和技术。2023年机器学习的十大概念和技术是一个教计算机从数据中学习的过程,无需明确的编程。机器学习是一个不断发展的学科,一直在创造新的想法和技术。为了保持领先,数据科学家应该关注其中一些网站,以跟上最新的发展。这将有助于了解机器学习中的技术如何在实践中使用,并为自己的业务或工作领域中的可能应用提供想法。2023年机器学习的十大概念和技术:1. 深度神经网

实现自我完善的过程是“机器学习”。机器学习是人工智能核心,是使计算机具有智能的根本途径;它使计算机能模拟人的学习行为,自动地通过学习来获取知识和技能,不断改善性能,实现自我完善。机器学习主要研究三方面问题:1、学习机理,人类获取知识、技能和抽象概念的天赋能力;2、学习方法,对生物学习机理进行简化的基础上,用计算的方法进行再现;3、学习系统,能够在一定程度上实现机器学习的系统。

本文将详细介绍用来提高机器学习效果的最常见的超参数优化方法。 译者 | 朱先忠审校 | 孙淑娟简介通常,在尝试改进机器学习模型时,人们首先想到的解决方案是添加更多的训练数据。额外的数据通常是有帮助(在某些情况下除外)的,但生成高质量的数据可能非常昂贵。通过使用现有数据获得最佳模型性能,超参数优化可以节省我们的时间和资源。顾名思义,超参数优化是为机器学习模型确定最佳超参数组合以满足优化函数(即,给定研究中的数据集,最大化模型的性能)的过程。换句话说,每个模型都会提供多个有关选项的调整“按钮

截至3月20日的数据显示,自微软2月7日推出其人工智能版本以来,必应搜索引擎的页面访问量增加了15.8%,而Alphabet旗下的谷歌搜索引擎则下降了近1%。 3月23日消息,外媒报道称,分析公司Similarweb的数据显示,在整合了OpenAI的技术后,微软旗下的必应在页面访问量方面实现了更多的增长。截至3月20日的数据显示,自微软2月7日推出其人工智能版本以来,必应搜索引擎的页面访问量增加了15.8%,而Alphabet旗下的谷歌搜索引擎则下降了近1%。这些数据是微软在与谷歌争夺生

荣耀的人工智能助手叫“YOYO”,也即悠悠;YOYO除了能够实现语音操控等基本功能之外,还拥有智慧视觉、智慧识屏、情景智能、智慧搜索等功能,可以在系统设置页面中的智慧助手里进行相关的设置。

人工智能在教育领域的应用主要有个性化学习、虚拟导师、教育机器人和场景式教育。人工智能在教育领域的应用目前还处于早期探索阶段,但是潜力却是巨大的。

阅读论文可以说是我们的日常工作之一,论文的数量太多,我们如何快速阅读归纳呢?自从ChatGPT出现以后,有很多阅读论文的服务可以使用。其实使用ChatGPT API非常简单,我们只用30行python代码就可以在本地搭建一个自己的应用。 阅读论文可以说是我们的日常工作之一,论文的数量太多,我们如何快速阅读归纳呢?自从ChatGPT出现以后,有很多阅读论文的服务可以使用。其实使用ChatGPT API非常简单,我们只用30行python代码就可以在本地搭建一个自己的应用。使用 Python 和 C

人工智能在生活中的应用有:1、虚拟个人助理,使用者可通过声控、文字输入的方式,来完成一些日常生活的小事;2、语音评测,利用云计算技术,将自动口语评测服务放在云端,并开放API接口供客户远程使用;3、无人汽车,主要依靠车内的以计算机系统为主的智能驾驶仪来实现无人驾驶的目标;4、天气预测,通过手机GPRS系统,定位到用户所处的位置,在利用算法,对覆盖全国的雷达图进行数据分析并预测。


ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

AI Hentai Generator
AIヘンタイを無料で生成します。

人気の記事

ホットツール

SublimeText3 Linux 新バージョン
SublimeText3 Linux 最新バージョン

EditPlus 中国語クラック版
サイズが小さく、構文の強調表示、コード プロンプト機能はサポートされていません

SublimeText3 中国語版
中国語版、とても使いやすい

メモ帳++7.3.1
使いやすく無料のコードエディター

Dreamweaver Mac版
ビジュアル Web 開発ツール
