誤差レベル解析と深層学習モデルを用いたGAN生成画像の偽造検出の強化

概要 デジタル時代において、特に顔画像など極めてリアルな画像を生成する生成敵対ネットワーク（GAN）の普及により、偽の画像を見極めることがますます困難になっています。多くの研究者が効果的なGAN検出システム開発に取り組んできましたが、包括的なデータセットと有効なモデルの不足により課題が残っています。これらの課題を解決するため、本研究では誤差レベル解析（ELA）と畳み込みニューラルネットワーク（CNN）を組み合わせたGAN生成画像の偽造検出手法を提案します。我々の手法は、ELA技術とトランスファーラーニングを統合し、その優れた構造設計を活用して効率的な分類のため階層的特徴を抽出します。ELAは画像内の不整合を検出し、その後MobileNetV2、DenseNet121、VGG16、VGG19、Xception、InceptionV3、ResNet-50、EfficientNetB0、カスタムモデル、アンサンブルモデルを含む複数のトランスファーラーニングモデルで処理されます。これらの中で、EfficientNetB0とDenseNet121が高い精度を示し、EfficientNetB0は特徴抽出と分類能力の効率性によりDenseNet121を上回る検出性能を達成しました。さらに、本研究の重要な貢献として、新たに提案するHFD-8000データセットがあります。このデータセットは、GAN特有のデータセットが不足している問題を解消し、8000枚のオリジナルおよびGAN偽造画像を適切な承諾のもと様々な出所から収集し、Mendeley Dataで公開しています。HFD-8000はGAN偽造研究に重要なデータ基盤を提供し、今後の研究への土台を築きます。我々のモデルは、ELAと高度な深層学習技術を統合し、96.37%の高精度と高性能で偽造検出を実現し、デジタル時代における画像改ざんの増大する課題に有効な解決策を提示します。