图像编辑系列之（2）基于StyleGAN（3）GAN逆映射（4）人脸 （5）语义生成 | ICCV2021生成对抗GAN梳理汇总
图像恢复系列之（6）超分（7）反光去除（8）光斑去除 （9）阴影去除（10）水下图像失真去除 | ICCV2021生成对抗GAN
十二、图像检测-异常检测
35 Learning Unsupervised Metaformer for Anomaly Detection
图像异常检测 (Anomaly detection，AD) ，解决图像异常的分类或定位问题。本文解决基于重建的图像 AD 方法的两个关键问题，即模型适应性和重建差异性。前者将 AD 模型概括为处理广泛的对象类别，而后者为定位异常区域提供了有用的线索。
方法核心是一个无监督的通用模型，称为 Metaformer，利用元学习模型参数来实现高模型适应能力和实例感知注意力来强调用于定位异常区域的焦点区域，即探索 这些感兴趣区域的重建差距。用工业图像 MVTec AD 数据集上的 SOTA 结果证明方法有效性。
十三、图像检测-拼接伪造
36 Reality Transform Adversarial Generators for Image Splicing Forgery Detection and Localization
许多伪造图像在图像编辑工具和卷积神经网络 (CNN) 的帮助下变得越来越逼真，实际场景中，需要验证侦测这些伪造图像的能力。生成和检测伪造图像的过程与生成对抗网络 (GAN) 的原理类似。
由于伪造图像的修图过程需要抑制篡改伪影并保留结构信息，可视为图像风格变换，本文提出一种假到真变换的“生成器GT” ；为了检测篡改区域，还提出一种基于多解码器单任务策略的定位“生成器GM” 。通过对抗训练两个生成器，模拟伪造者和验证者之间的对抗。
十四、图像检测-deepfake
37 Artificial Fingerprinting for Generative Models: Rooting Deepfake Attribution in Training Data
生成对抗网络（ GANs ）的不断发展，逼真图像生成已达到一个新的质量水平。但这种深度伪造的恶意使用，引发人们对视觉错误信息的忧虑。
针对deep fake 检测和反检测，本文寻求一种可持续的方案。通过引入人工指纹的模型，方法简单有效：首先将人工指纹嵌入到训练数据中，这种指纹可从训练数据转移到模型生成中，出现在生成的数据。
实验表明指纹解决方案（ 1 ）适用于各种前沿生成模型，（ 2 ）导致生成质量的副作用可以忽略不计，（ 3 ）对图像级和模型级的扰动保持鲁棒性，（ 4 ）难以被对手检测到，（ 5 ）将深度伪造的检测和归属转换为琐碎的任务，并优于最近的最先进的基线。
38 Joint Audio-Visual Deepfake Detection
Deep fakes （“深度学习”+“伪造”）中，包含有比如算法生成的视频等数据。虽然它们可能多是娱乐之用，但也可能被滥用于伪造演讲和传播错误信息。
检测伪造的数据已产生一些方法、以及数据集，而音频（如合成语音从文本到语音或语音转换系统）和关联的视频音频模式则一直相对匮乏。
这项工作提出一种新的视觉/听觉 deep fake 联合检测任务，并表明利用视觉和听觉模式之间的内在关系可以帮助 deep Fake 检测。
39 Learning Self-Consistency for Deepfake Detection
提出一种新方法检测模型伪造的图像。引入了一种新的表示学习方法，称为：成对一致性学习（ PCL ），训练卷积网络来提取这些源特征，并检测深度假图像。方法还提出一种新的图像合成方法，为 PCL提供训练数据。
七个主流数据集上的实验结果表明了方法的有效性。
猜您喜欢：
附下载 |《TensorFlow 2.0 深度学习算法实战》
1113
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
