文件名称：GANDCTAnalysis:ICML 2020论文代码
文件大小：760KB
文件格式：ZIP
更新时间：2024-05-23 15:34:52
Python
利用频率分析进行深层伪造图像识别 这是我们的ICML 2020论文中的代码存储库，该论文。 深度神经网络可以生成惊人逼真的图像，以至于未经训练的人们通常很难将其与实际照片区分开。 这些成就在很大程度上已经由生殖对抗网络（GAN）得以实现。 尽管在图像域中对这些深层伪造图像进行了彻底的研究（这是图像取证领域的一种经典方法），但在频域中却缺乏分析。 本文解决了这个缺点，我们的结果表明，在频率空间中，GAN生成的图像显示出严重的伪影，可以轻松识别。 我们进行了全面的分析，显示出这些工件在不同的神经网络体系结构，数据集和分辨率之间是一致的。 在进一步的研究中，我们证明了这些伪影是由所有当前GAN架构中发现的上采样操作引起的，这表明在GAN生成图像的方式上存在结构性和基本性问题。 基于此分析，我们演示了如何使用频率表示法来自动识别深层的伪造图像，从而超越最新技术。 先决条件 为了易于使用，我们提
【文件预览】：
GANDCTAnalysis-master
----.dockerignore(37B)
----compute_mean_var.py(1023B)
----run_classifier.py(3KB)
----baselines()
--------prnu_functions.py(18KB)
--------prnu.py(5KB)
--------utils.py(2KB)
--------classifier.py(3KB)
--------__init__.py(0B)
--------knn.py(2KB)
--------baselines.py(4KB)
--------eigenface.py(5KB)
----crop_celeba.py(2KB)
----src()
--------image_np.py(1KB)
--------dataset.py(2KB)
--------__init__.py(0B)
--------models.py(4KB)
--------math.py(2KB)
--------tests()
--------image.py(1KB)
----Dockerfile(257B)
----requirements.txt(1KB)
----classifier.py(7KB)
----extract_weights.py(883B)
----media()
--------spectrafant.png(55KB)
--------header.png(668KB)
----compute_statistics.py(5KB)
----README.md(9KB)
----prepare_dataset.py(9KB)
----crop_lsun.py(2KB)
----.gitignore(3KB)
----create_perturbed_imagedata.py(3KB)
----docker.sh(883B)