Projekt: Synthetic Image Detection Via Supervised Contrastive Learning

Modele generatywne, takie jak modele dyfuzyjne (DM), wariacyjne auto-kodery (VAE) i generatywne sieci adwersarskie (GAN), tworzą realistyczne obrazy syntetyczne, stanowiąc wyzwanie dla identyfikacji zmanipulowanych lub wprowadzających w błąd treści. Aby temu zaradzić, przedstawiamy ImagiNet, wysokiej jakości zbiór danych zaprojektowany w celu złagodzenia uprzedzeń i poprawy wykrywania obrazów syntetycznych w różnych typach treści. Wykorzystując ImagiNet, trenujemy model ResNet z samonadzorowanym podejściem do uczenia kontrastowego (SelfCon), wykazując najnowocześniejszą wydajność i szybkość w istniejących testach porównawczych, nawet w trudnych warunkach sieci społecznościowych (zmiana rozmiaru i kompresja), co czyni go praktycznym narzędziem do radzenia sobie z rozprzestrzenianiem się dezinformacji i zmanipulowanych mediów.