Key points are not available for this paper at this time.
Die Generierung synthetischer Bilder hat neue Möglichkeiten eröffnet, aber auch Bedrohungen in Bezug auf Privatsphäre, Authentizität und Sicherheit geschaffen. Die Erkennung gefälschter Bilder ist von größter Bedeutung, um illegale Aktivitäten zu verhindern, und frühere Forschung hat gezeigt, dass generative Modelle einzigartige Muster in ihren synthetischen Bildern hinterlassen, die genutzt werden können, um sie zu erkennen. Das grundlegende Problem der Generalisierung bleibt jedoch bestehen, da selbst hochmoderne Detektoren Schwierigkeiten haben, wenn sie auf Generatoren treffen, die während des Trainings nie gesehen wurden. Um die Generalisierbarkeit und Robustheit synthetischer Bilddetektoren angesichts realer Beeinträchtigungen zu bewerten, präsentiert dieses Papier einen großangelegten Datensatz namens ArtiFact, der vielfältige Generatoren, Objektkategorien und reale Herausforderungen umfasst. Darüber hinaus adressiert das vorgeschlagene Mehrklassen-Klassifizierungsschema in Kombination mit einer Strategie zur Reduzierung des Filter-Schrittes soziale Plattformbeeinträchtigungen und erkennt effektiv synthetische Bilder sowohl von bekannten als auch von unbekannten Generatoren. Die vorgeschlagene Lösung übertrifft andere Spitzenmannschaften um 8,34 % bei Test 1, 1,26 % bei Test 2 und 15,08 % bei Test 3 in der IEEE VIP Cup-Challenge beim ICIP 2022, gemessen an der Genauigkeitsmetrik.
Rahman et al. (Mon,) untersuchten diese Frage.