Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
Détecteur de divergence sémantique pour l'identification des falsifications d'images
Created by
Haebom
Auteur
Ziye Wang, Minghang Yu, Chunyan Xu, Zhen Cui
Contour
Cet article se concentre sur la détection de falsification à l'aide de concepts sémantiques issus de modèles pré-entraînés, car l'importance de la détection de falsification d'images a augmenté grâce aux progrès des technologies de génération d'images. Pour remédier à l'inadéquation entre les images falsifiées et les espaces de concepts sémantiques, nous proposons un nouveau détecteur d'inadéquation sémantique (SDD) composé de trois modules principaux. Premièrement, le module d'échantillonnage de jetons sémantiques atténue les décalages spatiaux causés par les marques de falsification et les caractéristiques sans rapport avec les concepts sémantiques. Deuxièmement, le module d'apprentissage des inadéquations de falsification au niveau des concepts, basé sur un paradigme de reconstruction visuelle, améliore l'interaction entre les concepts sémantiques visuels et les marques de falsification, capturant efficacement les inadéquations guidées par les concepts. Troisièmement, l'améliorateur de caractéristiques de falsification de bas niveau intègre les inadéquations de falsification apprises au niveau des concepts afin de minimiser les informations de falsification redondantes. Les résultats expérimentaux sur deux jeux de données de falsification d'images standard démontrent que le SDD proposé surpasse les méthodes existantes. Le code source est disponible à l' adresse https://github.com/wzy1111111/SSD .
Nous présentons une nouvelle méthode pour améliorer les performances de détection de falsification d’images en exploitant les concepts sémantiques des modèles pré-entraînés.
◦
Résout efficacement le problème d’inadéquation entre l’espace conceptuel sémantique et l’espace des caractéristiques de l’image forgée.
◦
Améliorer la précision grâce à l’apprentissage de la falsification et de l’incohérence au niveau conceptuel.
◦
Présentation d'un modèle SDD surpassant les méthodes existantes et mise à disposition de code open source.
•
Limitations:
◦
Des recherches supplémentaires sont nécessaires sur les performances de généralisation de la méthode proposée.
◦
Des évaluations de performance supplémentaires pour différents types de techniques de contrefaçon sont nécessaires.
◦
Il est nécessaire d’examiner la possibilité d’un surapprentissage pour des ensembles de données spécifiques.
◦
Une évaluation des coûts de calcul et du potentiel de traitement en temps réel est nécessaire.
