论文研读｜AI生成图像检测发展历程及研究现状

已于 2024-08-27 16:54:08 修改
阅读量2.4k 收藏 34
点赞数 19
分类专栏： 论文研读 AIGC检测与溯源 文章标签： 人工智能 AIGC AIGC检测 AI生成图像检测 GAN Diffusion Model CLIP
于 2024-07-07 22:49:53 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_36332660/article/details/140253914
版权

前言：本篇博客系统性梳理AI生成图像检测领域近5年的研究脉络、经典方法以及研究现状。

–
AIGC检测相关博客如下：

「人工智能生成图像检测」研究及发展现状介绍

目录

发展脉络

鉴于AIGC检测这一领域的发展与AIGC本身的发展密切相关，本篇博客以经典生成模型的问世为时间节点，对相关工作进行介绍。首先通过一条Timeline来宏观了解一下AIGC的发展历史：

在这里插入图片描述
接下来，笔者将对开山之作、经典方法以及前沿工作动态进行详细介绍。

开山之作

最早提出AI生成图像检测的工作应该是University Federico II of Naples研究团队的Detection of GAN-generated Fake Images over Social Networks（WIFS, 2018），作者使用CycleGAN的判别器、隐写分析特征（TIFS 2020）、现有方法和一些经典的CNN网络（如DenseNet）检测互联网中GAN生成的图像，并就上述检测方法对于JPEG压缩的鲁棒性进行了测试。
在这里插入图片描述

经典方法

2019年起，欧美等国的研究团队逐渐加入到AIGC检测的行列中来。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

后记：由于本人研究视野有限，文中内容如果有不当之处，还请各位同行批评指正！

参考资料

  1. https://fdmas.github.io/AIGCDetect/
  2. 针对AIGC检测的鲁棒性测试——常见攻击手段汇总
  3. 论文研读｜以真实图像为参考依据的AIGC检测
  4. 论文研读｜针对文生图模型的AIGC检测
  5. 《人工智能生成内容模型的数字水印技术研究进展》
【论文笔记】GAN-Generated Image Detection with Self-Attention Mechanism against GAN Generator Defect
weixin_45366180的博客
02-28 792
本文设计了一种新的检测算法来利用GAN的结构缺陷，利用GAN的generator中最脆弱的环节——通过转置卷积操作进行的上采样过程。这个过程中的转置卷积会导致生成的图像缺乏全局信息。因此，相应的采用了自注意机制，使得算法比目前其他采用纯CNN网络的工作对全局信息有更好的理解，这体现在检测精度的显著提高。通过与现有算法的深入比较和分析，验证了本文算法在该领域的性能优于现有算法。通过对其他图像生成类别和现实生活中常用的后处理方法的实验，我们提出的。
【CVPR2020】CNN-generated images are surprisingly easy to spot... for now（假图检测/CNN合成图像的检测/图像取证）
luolan9611的博客
03-28 9703
摘要 在这项工作中，我们提出这样的疑问：是否有可能创建一个“通用”检测器，不论使用什么结构的CNN或哪种数据集，通用检测器都能区分真实图像和CNN生成的图像。为了测试这一点，我们收集了由11种不同的基于CNN的图像生成器模型生成的假图数据集集合，这些被选择的模型包含了当今最常用的那些（ProGAN，StyleGAN，Big-GAN，CycleGAN，StarGAN， Gau...
AI生成图像检测调研
weixin_62277441的博客
10-30 2109
对于人类的能力，我们对来自不同背景的参与者进行了人类评估，以确定他们区分真实和虚假图像的能力。每位参与者的任务是完成一个由100个随机问题组成的测试，他们必须决定一张图像是真实的还是人工智能生成的。无论是自动化检测器还是专业艺术家，在区分人类艺术和人工智能生成图像方面都表现出色，但也都存在一定的错误。大多数图像检测器在未知领域的性能会急剧下降，因此开发一种通用的表示方法来描述生成模型产生的伪影对于假图像检测至关重要。目前缺乏包含来自最先进图像生成器的图像的大型数据集，阻碍了相关检测器的开发。
AIGC生成图像检测
培根芝士的专栏
08-08 1810
丰富纹理区域中的像素表现出比贫乏纹理区域中的像素更显著的波动。他们采用ResNet-50作为分类器，并观察到包括JPEG压缩和高斯模糊在内的数据增强可以提高检测器的泛化能力，这意味着检测器可以很好地泛化到未见过的架构、数据集和训练方法。LNP观察到真实图像的噪声模式在频率域中表现出相似的特征，而生成图像的噪声模式则截然不同。LGrad提取了一个训练良好的图像分类器获得的梯度图，作为GAN生成图像的指纹。基于这一观察，他们旨在通过将全局纹理提取融入常见的ResNet结构中，来提高检测器的泛化能力和鲁棒性。
AI图像检测和YOLO算法应用分析
freedom的专栏
03-27 1616
在各类图像检测算法中，YOLO（You Only Look Once）凭借其高效、快速的显著特性，一跃成为该领域备受瞩目的热门算法。本文详细阐述了 AI 图像检测的基本原理，涵盖传统图像检测方法和基于深度学习的图像检测方法，并深入剖析了 YOLO 算法的发展历程、核心原理和特点。YOLO 算法凭借其快速、高效的检测能力，在安防监控、自动驾驶、工业制造、医疗等众多领域广泛应用，为这些领域的智能化发展提供了有力支撑。基于卷积神经网络（CNN）的图像检测算法能够自动学习图像特征，极大地提升了检测的准确性与效率。
OpenCV 生成检测图片
qq_40041064的博客
02-24 456
主要方法： 1. Mat::zeros()创建空图片 2. 获取ROI区域 Mat ROIImage = SRCImage（Rectangle（x,y,width,height））; 3. 为ROI区域设置像素 参考：https://blog.csdn.net/Apple_Coco/article/details/94334105 代码： Mat RedHorImage = Mat:...
杂谈2——AIGC的反面思考 与AI生成图像检测技术
qq_45848817的博客
05-30 1609
检测人工智能生成的图像的最大挑战之一是它们可能非常逼真，难以与真实图像区分开来。这是因为人工智能模型变得越来越复杂，并且能够生成与真实的图像在视觉上相似的图像。
图像生成、deepfake检测、活体检测方向文章阅读| (1) 20200420-20200609
weixin_43913042的博客
06-09 740
提升AI绘画生成质量：探索与突破
2301_82319473的博客
07-03 978
本文由团队出品随着人工智能技术的蓬勃发展，AI绘画生成技术已成为艺术领域的一颗璀璨新星。然而，尽管AI绘画技术在模仿人类绘画风格、创作独特艺术作品等方面取得了显著进展，但其生成的图像质量仍有待提升。本文旨在深入探讨如何提升AI绘画生成质量，以期为相关领域的研究和实践提供有益的参考。
图像识别的历史与发展：从传统算法到深度学习
AI天才研究院
01-07 4805
1.背景介绍 图像识别，也被称为图像分类或图像识别，是人工智能领域中的一个重要研究方向。它旨在通过分析图像中的特征，自动识别和标识图像中的对象、场景或情境。图像识别技术在许多应用中得到了广泛应用，例如自动驾驶、医疗诊断、视觉导航、人脸识别等。 图像识别的历史可以追溯到1950年代，当时的研究主要基于传统的图像处理和模式识别算法。随着计算机科学和人工智能技术的发展，图像识别技术也不断发展，从传统...
不仅仅生成图片，用GAN做无监督的异常检测
Willing Tong的博客
11-22 8383
原文：https://zhuanlan.zhihu.com/p/32505627 GAN被LeCun赞为继CNN之后最为重要的一个工作，其原因在于让各位惊呼“这才有点人工智能的样子”。相比于CNN或者RNN而言，GAN是一种完全不一样的思路。CNN或者RNN，其本质都是一种有监督的学习方式，相比于传统的方式而言，得益于网络强大的表达能力和自动学习特征的end-to-end的学习能力，CNN和RNN...
【datawhale组队学习】coze-ai-assistant TASK01
m0_52024881的博客
05-13 926
通过扣子开发的 AI 应用有明确的输入和输出，可以根据既定的业务逻辑和流程完成一系列简单或复杂的任务，例如 AI 搜索、翻译工具、饮食记录等。工作流具备了： 大量的重复性任务 （如内容创作、编辑、发布）和 固定的业务流程 （如策划、创作、审核、发布）。的 AI 项目，它通过对话方式接收用户的输入，由大模型自动调用插件或工作流等方式执行用户指定的业务流程，并生成最终的回复。教程：Coze / 扣子（飞书文档）10. 教程：Coze / 扣子。4万字教程-COZE/扣子与智能体入门（飞书文档）
Recraft.ai：赋能专业设计师的 AI 创意引擎
weixin_44903776的博客
05-12 1559
Recraft.ai 是一款专为专业设计师打造的 AI 创意引擎，集图像生成、编辑、矢量化、协作于一体，旨在提升设计效率与创意表达。其核心功能包括 AI 图像生成器、矢量生成器、照片编辑器等，支持风格一致性与品牌化，适用于 Logo 设计、图标制作、广告素材等多个场景。Recraft.ai 强调“设计师主导”理念，提供完全掌控、高效协作与简化工作流程的优势，帮助设计师节省时间并提升作品质量。目前提供免费试用，适合设计师与设计爱好者探索 AI 创意的无限可能。
RiDoc：高效文档扫描与图像处理工具，助力高效办公
最新发布
2501_90839605的博客
05-15 866
高效压缩算法：在保证图像质量的同时显著减小文件体积，适合存储和传输需求。多格式兼容：支持主流图像格式（BMP/JPEG/PNG/TIFF）及PDF、Word文档的导入与导出。OCR功能强大：内置多语言OCR识别，可直接提取扫描文档中的文字并编辑，无需手动输入。操作便捷：界面简洁直观，拖拽式操作降低学习成本，支持一键扫描、批量处理。安全性高：提供水印添加、加密传输等保护措施，防止文档泄露或篡改。
Baklib智能云平台加速企业数据治理
weixin_51374429的博客
05-13 1275
Baklib智能云平台通过一站式数字资源管理、知识库构建及多场景内容系统搭建，实现企业图文音视频全资产统一存储与智能分类，结合AI驱动的高效数据预处理能力，显著提升知识沉淀效率和治理规范性，助力客户服务、内部协作与数字资产价值释放。
【AI】“CUDA” 到底是什么？（AI 计算民主化，第二部分）
u011808788的博客
05-14 892
似乎每个人都在去年开始谈论CUDA ：它是深度学习的支柱，是新型硬件难以竞争的原因，也是NVIDIA 护城河和飙升市值的核心。DeepSeek的出现，让我们获得了一个惊人的发现：它的突破是通过“绕过” CUDA，直接进入 PTX 层实现的……但这究竟意味着什么？似乎每个人都想打破这种锁定，但在制定计划之前，我们必须了解我们面临的是什么。本文是 Modular “ AI 计算民主化”系列文章的第二部分。更多信息，请参阅：第一部分：DeepSeek 对 AI 的影响第二部分：“CUDA”到底是什么？
5月12日day23打卡
2503_91003121的博客
05-12 1006
5月12日打卡day23@浙大疏锦行
什么是深度神经网络
kcarly的专栏
05-11 1166
深度神经网络通过多层次的非线性变换和自动化特征学习，在多个领域实现了革命性突破。其核心技术包括反向传播、激活函数和正则化方法，而结构设计（如CNN、ResNet）和优化算法（如Adam）的进步进一步释放了模型潜力。尽管面临可解释性、计算成本等挑战，随着多模态融合、轻量化设计和新型硬件的发展，DNN将继续推动人工智能的边界，深刻影响科技与社会的发展。
GAN图像生成生成研究现状
12-29
### GAN图像生成的研究现状 GAN（Generative Adversarial Networks）自提出以来，在图像生成领域取得了显著进展。最新的研究成果表明，通过引入多种改进机制和技术手段，GAN能够生成更加逼真、多样化的图像。 #### 多尺度渐进式生成网络 为了改善传统GAN训练不稳定以及模式崩溃等问题，研究人员开发了多尺度渐进式生成方法。这种方法采用逐步增加生成器输出分辨率的方式，使得模型可以从低频到高频逐渐学习图像特征[^2]。这种策略不仅提高了生成质量，还增强了对抗过程中的稳定性。 #### 风格迁移与控制 StyleGAN及其后续版本展示了如何通过对噪声输入空间进行解耦操作实现对生成图像风格的有效控制。具体来说，这些模型允许用户指定特定属性如姿态、表情等，并据此调整最终输出结果。此外，还有研究探索了基于条件分布的学习框架，进一步提升了可控性和灵活性。 #### 数据效率优化 尽管扩散模型在少量样本条件下表现出色，但针对大规模高质量数据集的应用场景下，GAN仍然具有不可替代的优势。当前工作致力于减少所需标注量的同时保持甚至提高性能水平。例如，一些方案尝试利用未标记的数据辅助监督信号的设计；另一些则聚焦于设计更好的正则化项以促进泛化能力[^1]。 ```python import torch.nn as nn class Generator(nn.Module): def __init__(self, input_dim=100, output_channels=3): super(Generator, self).__init__() # 定义生成器结构... def forward(self, z): # 实现前向传播逻辑... pass # 这里仅展示了一个简单的生成器类定义作为示意， # 实际应用中会涉及更多复杂的组件和细节处理。 ```
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

_Meilinger_

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值