抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
生成技術の急速な進歩により,偽像の起源を属性化する必要がある。偽画像属性に関する既存の研究は,いくつかのGenerative Adversarial Network(GAN)モデルに関するマルチクラス分類を実行して,高精度を得る。励みながら,これらの研究はモデルレベル属性に制限され,特定のシード,損失およびデータセットを持つ観測モデルによって生成された画像を扱うことができるだけであり,それは,偽画像が個人訓練されたモデルによって生成されるとき,実世界シナリオで制限される。この動機は,異なる構成の下で微調整または再訓練されたとしても,ソースモデルアーキテクチャに偽像を属性できるかどうかを知らせる。本研究では,アーキテクチャレベルに関する属性偽画像に対する深層ネットワークアーキテクチャ属性に関する最初の研究を示した。GANアーキテクチャは,大域的に一貫した指紋を残すようであるが,モデル重みによって残されたトレースは,異なる領域で異なるので,この問題のためのDNA-Detという単純だが効果的な解決策を提供する。多重クロステストセットアップと大規模データセットに関する大規模な実験は,DNA-Detの有効性を実証した。【JST・京大機械翻訳】