هوش مصنوعی
UniGADD برای شناسایی دیپ‌فیک‌های ساخته‌شده با مولدهای ناشناخته طراحی شده است
این روش دومرحله‌ای در آزمون‌های گزارش‌شده، روی مولدهای دیده‌نشده از روش‌های هم‌سطح بهتر عمل کرده است؛ جزئیات عددی در چکیده ارائه نشده‌اند.
پژوهشگران در پیش‌چاپی در arXiv، روشی به نام UniGADD معرفی کرده‌اند که هدفش شناسایی تصاویر دیپ‌فیک، از جمله تصاویر ساخته‌شده با مولدهایی است که مدل هنگام آموزش ندیده است. نویسندگان می‌گویند این روش روی مولدهای شناخته‌شده دقتی هم‌تراز با روش‌های پیشرفته دارد و در نمونه‌های نادیده عملکرد بهتری نشان می‌دهد؛ چکیده، عددی برای میزان این برتری ذکر نمی‌کند.
UniGADD در دو مرحله آموزش می‌بیند. ابتدا با استفاده از تابع زیان کنتراستی، ویژگی‌های متمایزکنندهٔ تصاویر واقعی و تصاویر جعلیِ شناخته‌شده را می‌آموزد. سپس فضای ویژگی را فقط با نمونه‌های واقعی اصلاح می‌کند تا خوشه‌های متفاوت از هم فاصله بگیرند و نمونه‌های هر خوشه به یکدیگر نزدیک‌تر شوند. نویسندگان می‌گویند این مرحله به تعمیم‌پذیری روش در برابر فنون تازهٔ تولید دیپ‌فیک کمک می‌کند.
این مقاله در arXiv منتشر شده و پیش‌چاپ است؛ در اطلاعات ارائه‌شده، جزئیات مجموعه‌های ارزیابی یا نتایج عددی گزارش نشده است.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده