arXiv:2103.16851

Attention Map-guided Two-stage Anomaly Detection using Hard Augmentation

Jou Won Song, Kyeongbo Kong, Ye In Park, Suk-Ju Kang

제출 2021-03-31

원문 초록

Anomaly detection is a task that recognizes whether an input sample is included in the distribution of a target normal class or an anomaly class. Conventional generative adversarial network (GAN)-based methods utilize an entire image including foreground and background as an input. However, in these methods, a useless region unrelated to the normal class (e.g., unrelated background) is learned as normal class distribution, thereby leading to false detection. To alleviate this problem, this paper proposes a novel two-stage network consisting of an attention network and an anomaly detection GAN (ADGAN). The attention network generates an attention map that can indicate the region representing the normal class distribution. To generate an accurate attention map, we propose the attention loss and the adversarial anomaly loss based on synthetic anomaly samples generated from hard augmentation. By applying the attention map to an image feature map, ADGAN learns the normal class distribution from which the useless region is removed, and it is possible to greatly reduce the problem difficulty of the anomaly detection task. Additionally, the estimated attention map can be used for anomaly segmentation because it can distinguish between normal and anomaly regions. As a result, the proposed method outperforms the state-of-the-art anomaly detection and anomaly segmentation methods for widely used datasets.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.12858v1cs.CV공통 태그 Anomaly Detection, Anomaly Segmentation

LARAD: 공간-논리 추론 기반 레이아웃 인식 도로 이상 탐지

LARAD: Layout-Aware Road Anomaly Detection via Spatial-Logic Reasoning

정확한 오픈 월드 장애물 탐지는 자율 주행에 매우 중요하다. 현재의 이상 분할(anomaly segmentation) 방법은 근본적인 사각지대를 가지고 있다. 분포 밖(out-of-distribution, OoD) 객체를 식별하기 위해 텍스처 신기성에 과도하게 의존하는 반면, 맥락적 공간 논리는 무시한다. 또한, 이로 인한 오탐(false positive)을 완화하려면 대규모 비전 모델을 연쇄적으로 배치해야 하는 경우가 많아, 수용하기 어려운 추론 지연이 발생한다. 이 문제를 해결하기 위해, 우리는 레이아웃 인식 도로 이상 탐지(LARAD)를 제안하며, 패러다임을 외형 매칭에서 공간-논리 추론으로 전환한다. 먼저, 텍스처는 일관적이지만 공간적으로는 유효하지 않은 학습 샘플을 생성하여 모델이 맥락적 위반을 학습하도록 하는 공간-논리 위반 합성(SLVS) 파이프라인을 도입한다. 둘째로, 표준 클로즈드셋(closed-set) 분할 네트워크에 경량의 OoD 유도 어텐션 분기를 추가한다. 광범위한 실험을 통해 LARAD가 논리적 이상에 대한 견고성을 크게 향상시키고, 단일 모델 아키텍처의 높은 효율성을 유지하면서 새로운 최신(state-of-the-art) 성능을 달성함을 보여준다.

arXiv:2607.10695v1cs.CV공통 태그 Generative Adversarial Network, Anomaly Detection

노이즈 잔차 클러스터링을 통한 효과적인 합성 이미지 탐지

Effective Synthetic Image Detection via Noise Residual Clustering

생성형 인공지능(AI)의 빠른 발전으로 합성 이미지가 놀라울 정도로 사실적이 되면서 허위정보 및 사기와 같은 보안 위협이 증가하고 있다. 수동적이고 블라인드 방식의 이미지 인증으로 합성 이미지를 탐지하는 것이 중요하다. 기존 탐지기 대부분은 대규모 레이블 데이터셋을 사용한 지도 학습에 의존하여 높은 비용이 발생하고 알려지지 않은 생성 모델에서 성능이 저하된다. 이러한 결함을 완화하기 위해 학습이 필요 없는 탐지 방법을 제안한다. 구체적으로, 노이즈 잔차 핑거프린트를 간단하면서도 효과적인 사전학습된 Noiseprint++ 모델로 먼저 추출한다. 이후 고정된 Vision Transformer(ViT)를 통해 해당 잔차로부터 다중 스케일 특징을 추출하고 적응형 가중 융합을 적용한다. 소수의 실제 이미지 샘플만으로 비지도 K-Means의 클러스터 중심을 초기화하여 학습 없이 실제 이미지와 합성 이미지를 구별한다. 네 개의 벤치마크 데이터셋에 대한 광범위한 평가 결과, 제안 방법이 평균 정확도 82.2%를 달성하여 일반화 능력에서 최신 탐지기들을 능가하는 것으로 나타났다. 확산 방식의 합성 이미지에서 우수한 성능을 보이며, 각 모듈의 효과는 에블레이션 연구를 통해 검증되었다. 소스 코드는 https://github.com/multimediaFor/NoiseCluSID 에 공개될 예정이다.

arXiv:2607.10787v1cs.CV공통 태그 Generative Adversarial Network, Anomaly Detection

AI 생성 비디오 탐지: 비전-언어 이중 관점 서베이

Detecting AI-Generated Video: A Vision-Language Dual-View Survey

AI 생성 비디오(AIGC-V)의 사실적 표현이 급속도로 향상됨에 따라 기존의 아티팩트 중심 탐지 방식이 점차 한계를 드러내고 있으며, 저수준 검사에서 고수준 의미 검증으로의 패러다임 전환이 요구되고 있다. 본 논문은 AIGC-V 탐지에 관한 종합적인 서베이를 제시하며, 이 과제를 사실적 충실도 검증(Factual Fidelity Verification)으로 재정의한다. 이는 비디오에 묘사된 사건, 개체, 물리적 과정이 실제 사실과 일치하는지를 묻는 문제이다. 이 빠르게 진화하는 분야를 체계화하기 위해, 우리는 기존 방법들을 내재적 단서 분석, 시공간 일관성 모델링, 교차 모달 일관성 추론, 언어 기반 세계 수준 추론의 네 개 층(layer)으로 구성된 계층적 분류 체계인 비전-언어 이중 관점(Vision-Language Dual-View) 분류 체계를 제안한다. 이 이중 관점 프레임은 기존 딥페이크 탐지의 아티팩트 매칭에서 비전-언어 모델과 에이전트(agentic) 추론 파이프라인이 가능케 하는 증거 기반 의미 검증으로의 근본적인 전환을 부각시킨다. 221편의 연구에 대한 체계적 검토를 바탕으로, AIGC-V 생성 패러다임을 종합하고, 탐지 방법의 전반적 현황을 조망하며, 제안된 관점에 따라 평가 지표 및 벤치마크를 검토한다. 마지막으로 현재의 과제를 논의하고 강건하고 설명 가능하며 신뢰할 수 있는 탐지를 위한 유망한 방향을 제시한다.

arXiv:2607.09000v1cs.CR공통 태그 Generative Adversarial Network, Anomaly Detection

RaMark: 생성된 테이블 형식 데이터를 위한 방사성 워터마킹

RaMark: Radioactive Watermarking for Generated Tabular Data

생성 모델링의 최근 발전으로 생성된 테이블 형식 데이터는 프라이버시에 민감한 데이터 공유를 위한 실용적인 솔루션이 되었으며, 워터마킹은 소유권 검증을 가능하게 한다. 그러나 기존 워터마킹 방법들은 재학습 공격에 근본적으로 취약하다. 재학습 공격에서 공격자는 워터마킹된 데이터셋으로 생성 모델을 재학습하여 워터마크가 포함되지 않은 고품질 데이터를 재생성한다. 우리는 생성 모델 재학습 이후에도 워터마크가 탐지 가능하게 유지되는 특성인 방사성(radioactivity)을 도입하여 이 문제를 해결하고, 데이터 분포의 내재적 구성 요소로 사인파 의존성을 삽입하는 방사성 워터마킹 방법인 RaMark를 제안한다. 워터마크를 기저 분포와 결합함으로써, RaMark는 데이터 유용성을 보존하는 모든 생성 모델이 워터마크 또한 보존해야 하도록 보장한다. 우리는 높은 확률로 워터마크 제거가 유용성을 저하시키고 데이터 분포를 변화시킴을 이론적으로 증명한다. 두 실제 테이블 형식 데이터셋에 대한 광범위한 실험에서, $10^5$개의 독립적인 데이터 소유자를 포함하는 대규모 소유권 검증 설정 하에, RaMark가 7가지 최신 방법들보다 실질적으로 강력한 방사성을 달성하며 재학습 공격과 데이터 수정 공격 모두에서 지속적으로 이들을 능가함을 보인다.

arXiv:2607.21776v2cs.LG공통 태그 Anomaly Detection

PulseGuard: 토킹페이스 딥페이크 탐지를 위한 포렌식 모달리티로서의 rPPG 기반 시간 신호

PulseGuard: rPPG-Derived Temporal Signals as a Forensic Modality for Talking-Face Deepfake Detection

토킹페이스(TF) 딥페이크 생성은 정지된 원본 이미지와 음성 신호로부터 사실적인 얼굴 영상을 합성하며, 현재의 이미지 기반 탐지기가 일관되게 식별하지 못하는 위조물을 만들어 낸다. 얼굴 교체 조작과 달리 TF 합성에는 생리적 특성을 물려받을 기반 실제 영상이 없으므로, 이 위조 범주의 탐지 모달리티로 원격 광혈류측정(rPPG)이 동기화된다. 우리는 RhythmFormer로 윈도우별 rPPG 파형을 추출하고 경량 분류기 모음을 학습시켜 실제 신호와 합성 신호를 구분하는 탐지 프레임워크 PulseGuard를 제안한다. 테스트 신원이 학습 신원과 완전히 분리된 엄격한 피험자 독립 프로토콜로 Celeb-DF++의 TF 부분집합에서 평가한 결과, 우리의 1D ResNet은 추출된 시간 신호만으로 동작하면서 EER 25.1%에서 윈도우 수준 AUC 0.826(DeepFakesON-Phys가 평가되는 단위인 영상 수준으로 풀링 시 0.842)을 달성하며, 학습에서 완전히 제외된 생성기에 대해서도 AUC 0.754를 유지한다. 우리는 대표적인 기존 rPPG 탐지기인 DeepFakesON-Phys의 통제된 재현 연구를 제시하여, 기존 얼굴 교체 데이터에서의 AUC 0.999가 Celeb-DF++의 TF 부분집합에서는 0.576으로 저하됨을 보인다. 또한 탐지 난이도가 방법에 크게 의존함을 보이는데, 일곱 개의 TF 생성기에 걸쳐 AUC는 0.937(Real3DPortrait)에서 0.617(IP-LAP)까지 분포하며, 이 순서는 방법별 학습에서도 대체로 유지된다. 이 편차는 평가 잡음이 아니라 학습 방식 전반에 걸쳐 안정적이며, 본 연구의 주된 실증적 기여이다. 우리는 이를 실증적 기준선으로 보고하며, 판별 근거가 심장 기원임을 입증하지는 않는다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.