DeepFake Detection by Analyzing Convolutional Traces
원문 초록
The Deepfake phenomenon has become very popular nowadays thanks to the possibility to create incredibly realistic images using deep learning tools, based mainly on ad-hoc Generative Adversarial Networks (GAN). In this work we focus on the analysis of Deepfakes of human faces with the objective of creating a new detection method able to detect a forensics trace hidden in images: a sort of fingerprint left in the image generation process. The proposed technique, by means of an Expectation Maximization (EM) algorithm, extracts a set of local features specifically addressed to model the underlying convolutional generative process. Ad-hoc validation has been employed through experimental tests with naive classifiers on five different architectures (GDWCT, STARGAN, ATTGAN, STYLEGAN, STYLEGAN2) against the CELEBA dataset as ground-truth for non-fakes. Results demonstrated the effectiveness of the technique in distinguishing the different architectures and the corresponding generation process.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
ASAP: AI 생성 이미지의 이미지 패턴 식별 및 분석을 위한 시각적 분석 시스템
ASAP: Visual Analytics for Identifying and Analyzing Image Patterns in AI-generated Images
생성형 이미지 모델은 매우 사실적인 이미지를 생성할 수 있어 기만적인 콘텐츠 제작에 악용될 수 있다는 우려를 낳고 있습니다. 기존의 딥페이크(deepfake) 접근 방식은 제한된 일반화 가능성, 해석 가능성(interpretability)의 부족, 실행 가능성(actionability)의 미흡함 등 여러 문제에 직면해 있습니다. 이를 해결하기 위해, 본 논문에서는 사용자가 AI 생성 이미지의 기만적인 패턴을 분석하고 요약할 수 있도록 설계된 인터랙티브 시각화 시스템인 ASAP을 제시합니다. ASAP은 해석 가능한 표현(representation)을 생성하는 새로운 CLIP 적응형 이미지 인코더를 도입하여, 계산된 마스크를 통해 영향력 있는 픽셀 영역을 추출할 수 있도록 합니다. 이 접근 방식은 영향력 측정 기법을 통해 핵심적인 기만적 특징의 식별을 촉진합니다. 이러한 백엔드 기법들은 실제 이미지와 AI 생성 이미지가 모두 포함된 이미지 컬렉션에서 진위 여부를 나타내는 패턴을 사용자가 정량화하고 분석할 수 있는 시각적 분석 대시보드에 통합됩니다. 또한 이 접근 방식은 GAN 및 확산 모델(diffusion model)을 포함한 다양한 생성 모델의 비교 분석을 지원합니다. 저자들은 기존의 가짜 이미지 탐지 벤치마크(benchmark)를 활용한 사용자 연구와 두 가지 응용 시나리오를 통해 ASAP의 효용성을 입증하며, 기만적인 패턴을 효과적으로 추출하고 정량화하는 능력을 보여줍니다.
DailyBench: 최신 생성 모델의 AI 생성 및 조작 이미지를 위한 통합 벤치마크
DailyBench: A Unified Benchmark for AI-Generated and Manipulated Images from Modern Generative Models
최근 생성 모델의 발전으로 AI 생성 이미지 탐지는 쉽게 구별 가능한 완전 합성 이미지를 식별하는 것에서, 최신 생성 및 조작 파이프라인 모두에서 생성된 고도로 사실적인 콘텐츠를 식별하는 것으로 초점이 이동했다. 그러나 기존 탐지 벤치마크는 종종 구식 생성 모델로 구축되었으며 주로 전체 이미지 합성에 중점을 두어, 벤치마크 데이터와 실제 생성 및 편집 시나리오에서 접하는 이미지 사이의 불일치가 점점 커지고 있다. 이 격차를 해소하기 위해, 우리는 AI 생성 이미지 탐지기가 최신 전체 이미지 합성과 객체 수준 조작 모두에 걸쳐 일반화할 수 있는지 평가하는 고품질 통합 벤치마크인 DailyBench를 제안한다. DailyBench는 두 가지 상호 보완적인 하위 집합으로 구성된다: 최근 오픈소스 및 상용 생성 모델로 합성한 고품질 이미지를 포함하는 FakeBench, 그리고 고급 이미지 조건부 모델을 사용해 실제 이미지에 적용한 도전적인 객체 수준 편집을 도입하는 ManipulationBench. 이 설계는 DailyBench를 미세한 국소 편집 하에서 생성기 수준 일반화와 조작 인식 탐지를 모두 연구하기 위한 현실적인 테스트베드로 만든다. DailyBench에서의 실험은 현재 탐지기의 상당한 견고성 격차를 드러낸다: GenImage에서 91-96%의 균형 정확도를 보고한 방법들은 FakeBench에서 60-76%, ManipulationBench에서 54-66%로 하락한다. 이 결과는 기존 탐지기가 사실적인 합성 및 조작에 대해 여전히 일반화가 부족함을 보여주며, DailyBench가 견고하고 조작 인식 AI 생성 이미지 탐지 방법 개발을 위한 엄격한 테스트베드임을 강조한다. 프로젝트는 https://dailybench.github.io/ 에서 확인할 수 있다.
변환은 진실을 드러내는가? 일반화된 AI 생성 이미지 탐지를 위한 생성적 잔차 학습
Do Transformations Reveal the Truth? Generative Residual Learning for Generalized AI-Generated Image Detection
생성형 AI의 급속한 발전으로 매우 사실적인 딥페이크 미디어 생성이 가능해졌으며, 이는 허위정보 유포, 디지털 신원 도용, 사기, 여론 조작 등 심각한 위협을 초래하고 있다. AI 생성 이미지(AIGI) 탐지는 생성 방법의 다양성과 그로 인해 남겨지는 미묘한 아티팩트로 인해 안정적으로 수행하기 어렵다. 본 연구에서는 신경 텐서 네트워크(neural tensor network)를 통한 생성적 잔차 학습 프레임워크인 GenRes를 제안한다. GenRes는 원본 샘플과 변환된 샘플 간의 세밀한 관계적 특징을 모델링하여 일반화 성능을 향상시킨다. 다중 생성적 변환이 포함된 시나리오를 처리하기 위해, 학습 가능한 어텐션 메커니즘을 활용해 여러 변환 샘플에 걸친 관계적 특징을 집계하고 모델이 가장 정보가 풍부한 단서에 집중할 수 있도록 하는 GenRes++를 도입한다. 두 모델 모두 특징 추출기로 PE-Core를 활용하여, 도메인 간 성능을 향상시키고 학습 시 보지 못한 방법으로 생성된 AIGI 탐지를 가능하게 하는 일반화되고 의미론적으로 풍부한 임베딩을 제공한다. 다수의 벤치마크 데이터셋에 대한 포괄적인 실험을 통해 제안된 GenRes++ 방법이 기존 방법들을 능가함을 입증한다.
UNTAG: LEARNING GENERIC FEATURES FOR UNSUPERVISED TYPE-AGNOSTIC DEEPFAKE DETECTION
Bts-e: Audio deepfake detection using breathing-talking-silence encoder
Masked Relation Learning for DeepFake Detection
토론
이 논문과 연결된 포럼 글이 아직 없습니다.