Generation of Anonymous Chest Radiographs Using Latent Diffusion Models for Training Thoracic Abnormality Classification Systems
원문 초록
The availability of large-scale chest X-ray datasets is a requirement for developing well-performing deep learning-based algorithms in thoracic abnormality detection and classification. However, biometric identifiers in chest radiographs hinder the public sharing of such data for research purposes due to the risk of patient re-identification. To counteract this issue, synthetic data generation offers a solution for anonymizing medical images. This work employs a latent diffusion model to synthesize an anonymous chest X-ray dataset of high-quality class-conditional images. We propose a privacy-enhancing sampling strategy to ensure the non-transference of biometric information during the image generation process. The quality of the generated images and the feasibility of serving as exclusive training data are evaluated on a thoracic abnormality classification task. Compared to a real classifier, we achieve competitive results with a performance gap of only 3.5% in the area under the receiver operating characteristic curve.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
AniPrO: 다차원 의미론적 추론을 통한 해석 가능한 애니메이션 이미지 출처 탐지
AniPrO: Interpretable Anime Image Provenance Detection via Multi-Dimensional Semantic Reasoning
생성형 AI(generative AI)가 애니메이션 스타일 이미지 제작에 점점 더 많이 사용됨에 따라, 사람이 직접 그린 이미지, AI로 인페인팅(inpainting)된 이미지, 텍스트-이미지(text-to-image) 생성 이미지를 구별하는 것은 저작권 귀속, 시각적 출처 추적, 콘텐츠 거버넌스 측면에서 중요하다. 기존의 AI 생성 이미지 탐지기는 주로 실사 사진을 대상으로 하며, 평면적인 채색, 과장된 구조, 예술적인 선 처리와 같은 애니메이션 특유의 단서를 간과하는 경우가 많다. 이러한 공백을 해결하기 위해, 우리는 해석 가능한 애니메이션 이미지 출처 추적을 위한 다차원 설명 강화 프레임워크인 AniPrO를 제안한다. AniPrO는 AnimeDL-2M을 기반으로 구축되었으며, 35,000장의 이미지 후보 풀에서 선별한 15,000개의 균형 잡힌 샘플로 구성되어 있고, 구조화된 5차원 설명과 함께 Real, Inpainting, Text2Image 카테고리를 포괄한다. 또한 우리는 통계적 특징(feature) 판별과 멀티모달 융합 추론의 관점에서 출처 탐지를 평가하기 위해 AniPrO-SFD-Bench와 AniPrO-MFR-Bench를 도입한다. 실험 결과, 구조화된 의미론적 가이드가 전역적 시각적 타당성과 국소적 세부 일관성 사이의 격차와 같은 체계적인 AI 생성 편향을 드러내며, 까다로운 인페인팅 샘플의 탐지 성능을 향상시키는 것으로 나타났다. 데이터셋(dataset)과 코드는 https://github.com/YAN-LIU05/AniPrO 에서 공개될 예정이다.
고위험 시나리오에서 AI 생성 이미지가 시각적 신뢰에 도전한다
AI-generated Images Challenge Visual Trust in High-risk Scenarios
이미지 생성의 급속한 발전은 진위가 공공 안전과 개인 명성에 영향을 줄 수 있는 환경에서 시각 콘텐츠의 증거적 가치를 약화시키고 있다. 그러나 기존 탐지 벤치마크는 오해를 불러일 수 있는 시각 콘텐츠가 상당한 위험을 수반할 수 있는 공공 및 개인 안전 맥락에서 합성 이미지를 거의 검토하지 않는다. 본 연구에서는 GPT Image 2를 사용해 생성한 12개의 공공 및 개인 안전 시나리오를 아우르는 안전 중심 벤치마크 SafeIMG를 제안한다. 일반적 이미지와 이미지 수준 라벨에 초점을 둔 벤치마크와 달리, SafeIMG는 탐지기가 합성 이미지를 인식하는지 여부뿐 아니라 그들의 판단이 인간이 식별한 이상을 반영하는지도 평가한다. 이를 위해 SafeIMG는 의심스러운 영역을 국소화하고 국소 아티팩트 및 상위 수준의 상식적·물리적 불일치를 설명하는 인간 주석을 제공한다. 우리는 특화된 합성 이미지 탐지기와 비전-언어 모델(VLM)을 평가했으며, 어느 쪽도 신뢰할 만한 탐지를 제공하지 않음을 확인했다. 가장 강력한 VLM은 생성된 이미지의 49.5%만 식별하는 반면, 최고의 특화 탐지기는 33.1%를 식별했고, 인간 평가자의 정확도는 81.7%였다. 모델 설명은 인간 주석 이상의 29.8%만 포괄하며, 주로 텍스트, 얼굴, 손의 국소 결함을 포착한다. 상식적 충돌에서는 포괄률이 15.0%로, 물리적 불일치에서는 12.0%로 떨어지며, 유포로 인한 이미지 열화 이후 탐지 성능은 더욱 악화된다. 이러한 결과는 현재 탐지기가 공공 및 개인 안전 환경 전반에서 AI 생성 이미지를 신뢰할 수 있게 평가하는 데 필요한 정확도, 설명적 정렬, 견고성을 갖추지 못함을 보여준다.
PulseGuard: rPPG-Derived Temporal Signals as a Forensic Modality for Talking-Face Deepfake Detection
RAIN: 시맨틱 워터마크 추출을 위한 영역 인식 역전 네트워크
RAIN: Region-Aware Inversion Network for Semantic Watermark Extraction
확산 모델을 위한 시맨틱 워터마크는 시각적 품질을 보존하면서 생성 과정에 소유권 정보를 삽입하지만, 전통적으로 Gaussian-Shading 추출은 초기 노이즈를 복구하기 위해 다단계 확산 역전(multi-step diffusion inversion)을 필요로 합니다. 최근의 1단계(one-step) 방식들은 이러한 비용을 크게 줄일 수 있음을 보여줍니다. 본 연구에서는 확장된 플로우 매칭(extended flow matching)과 조건부 회귀(conditional regression)를 통해 이 문제를 다룹니다. 핵심 관찰은 높은 신호 대 잡음비(high-SNR) 이미지 종점 근처에서 고 SNR 영역의 확장된 플로우 매칭 첫 단계 출력으로 주어지는 유용한 노이즈 통계량을 복구하는 것이 전체 역전 궤적(inverse trajectory)을 재구성하는 것보다 훨씬 단순하며, Gaussian Shading은 복구된 잠재 변수(latent)가 올바른 워터마크 결정 영역 내에 유지되기만 하면 된다는 점입니다. 이러한 관찰을 바탕으로, 종점 복구를 이미지와 유사한 앵커와 노이즈 지향적 잔차로 분해하여 GPU 병렬 연산 활용 능력을 향상시키는 경량 프롬프트-프리 추출기를 제안합니다. 이를 통해 얻어진 방법은 반복적인 역전과 확산 규모 U-Net의 반복 평가(evaluation)를 피함으로써, 간결한 이론적 해석을 갖춘 효율적인 1단계 추출 파이프라인을 제공합니다. 노이즈 추출의 연산 비용은 OSI와 FARI 모두보다 낮습니다. GitHub 저장소는 https://github.com/TheLovesOfLadyPurple/RAIN-lightweight-NN-for-one-step-semantic-watermark-extraction 에서 확인할 수 있습니다.
Ocular Verification for Virtual Reality
Cost-Aware Hierarchical Multi-Agent Ransomware Detection and Family Attribution
토론
이 논문과 연결된 포럼 글이 아직 없습니다.