Core Concepts
작은 훈련 없는 필터가 더 일반적인 아티팩트 표현을 캡처하는 데 충분하다.
Abstract
최근에, 다양한 생성적 적대 신경망에 의해 생성된 점점 현실적인 합성 이미지의 확산으로 인해 날조의 위험이 증가하고 있다.
기존 방법들은 다양한 훈련 소스를 생성하거나 대규모 사전 훈련 모델에 의존한다.
데이터-독립 연산자(DIO)는 훈련 및 테스트 소스에 편향되지 않아 더 나은 성능을 제공한다.
DIO는 다양한 데이터 세트 및 생성 모델에서 아티팩트 패턴을 효과적으로 캡처하고 나타낸다.
DIO 및 그 확장은 향후 방법들을 위한 강력한 기준선으로 작용할 수 있다.
Stats
작은 훈련 없는 필터가 더 일반적인 아티팩트 표현을 캡처하는 데 충분하다.
DIO는 새로운 최고 수준에 도달할 수 있다.
우리의 탐지기는 33개의 생성 모델에서 13.3%의 현저한 개선을 달성했다.
Quotes
"작은 훈련 없는 필터가 더 일반적인 아티팩트 표현을 캡처하는 데 충분하다."
"DIO는 새로운 최고 수준에 도달할 수 있다."
"우리의 탐지기는 33개의 생성 모델에서 13.3%의 현저한 개선을 달성했다."