迅速让一个wordpress,济南seo外包服务,云服务器上建网站,搜狗网址AIGC时代#xff0c;人人都可以使用Midjourney、Stable Diffusion等AI产品生成高质量图片#xff0c;其逼真程度肉眼难以区分真假。这种虚假照片有时会对社会产生不良影响#xff0c;例如#xff0c;生成公众人物不雅图片用于散播谣言#xff1b;合成虚假图片用于金融欺诈…AIGC时代人人都可以使用Midjourney、Stable Diffusion等AI产品生成高质量图片其逼真程度肉眼难以区分真假。这种虚假照片有时会对社会产生不良影响例如生成公众人物不雅图片用于散播谣言合成虚假图片用于金融欺诈造成信任危机等。
因此华为诺亚方舟实验室开源了百万量级的GenImage数据集帮助企业、开发者快速构建区分AI生成的图像和真实图像的检测器和评估工具致力于构建AIGC时代的ImageNet。
开源地址https://github.com/GenImage-Dataset/GenImage
论文https://arxiv.org/abs/2306.08571
项目主页https://genimage-dataset.github.io/ GenImage主要优点
1大量图像包括超过一百万对 AI 生成的假图像和收集的真实图像。
2丰富的图像内容涵盖广泛的1000类图像。
3) 最先进的生成器Midjourney、Stable Diffusion、ADM、GLIDE、Wukong、VQDM等利用先进的扩散模型和 GAN 合成图像。
上述优点使得在GenImage 上训练的检测器能够经过全面的评估并表现出对不同图像的强大适用性。
华为团队对数据集进行了全面分析并提出了两个任务来评估类似于真实场景的检测方法。交叉生成器检测器在一种生成器生成的数据上训练在其他生成器生成的数据上验证。这个任务目的是考察检测器在不同生成器上的泛化能力。 退化图像识别检测器需要对于低分辨率模糊和压缩图像进行识别。这个任务主要考察检测器在真实条件如互联网上传播中面对低质量图像时的泛化问题。
数据集介绍
过去开源界也推出了一些数据集主要有三个特点。第一数据规模小第二都是基于GAN的第三是局限于人脸数据。随着时间推移数据规模慢慢地在增加生成器也从GAN时代过渡到Diffusion时代数据的范围也在增加。
但是一个大规模以Diffusion模型为主涵盖各类通用图像的数据集仍然是缺失的。
基于此华为团队提出一个对标imagenet的genimage数据集。真实的图片采用了ImageNet。 虚假的图片采用ImageNet的标签进行生成。华为团队利用了八个先进的生成器来生成分别是Midjourney, Stable Diffusion V1.4, Stable Diffusion V1.5, ADM, GLIDE, WukongVQDM和BigGAN。
这些生成器生成的图片总数基本与真实图片一致。每个生成器生成的图片数量也基本一致。每一类生成的图片数量基本一致。
实验结果
华为团队做了一些实验来考察这个数据集。他们发现在某个生成器上训练的ResNet-50模型在其他的测试准确率会明显降低。
然而在真实情况下华为团队难以得知遇到的图像的生成器是什么。因此检测器对于不同生成器生成图片的泛化能力很重要。 华为团队对比了现有方法在Stable Diffusion V1.4上训练然后在各种生成器上测试的结果也评测了各种生成器上训练然后在各种生成器上测试的结果。
Testing Subset那一列中的每一个数据点都是在八个生成器上训练然后在一个生成器上测试得到的平均结果。然后华为团队将这些测试集上的结果平均得到最右侧的平均结果。 华为团队对测试集进行退化处理采用不同参数下的低分辨率JPEG压缩和高斯模糊评测结果如下 那么采集这么多数据是不是有用呢华为团队做了相关实验证明通过提升数据类比和每类的图片数量是可以提高性能。 针对GenImage数据集对于不同图片的泛化能力华为团队发现他对于人脸和艺术类图片也能达到很好的效果。 未来展望
随着AI生成图片能力的不断提升对于AI生成的图片实现有效检测的需求将会越来越迫切。本数据集致力于为真实环境下的生成图片检测提供有效训练数据。
华为团队使用ResNet-50在本数据集中训练然后在真实推文中进行检测。如下图ResNet-50能够有效识别真图和假图。
这个结果证明了GenIamge可以用于训练模型以判别真实世界的虚假信息。华为团队认为该领域未来值得努力的方向是不断提升检测器在GenImage数据集上的准确率并进而提升其在真实世界面对虚假信息的能力。 真实图片 AI生成虚假图片
本文素材来源华为GenImage如有侵权请联系删除
END
