GenImage

abstract

由于先进生成模型可以生成逼真的图像，加剧了对虚假信息宣传的担忧。但是，当前没有最先进图像生成器生成的大量图片的数据集，成为了这类检测器发展的一个障碍。

本文介绍了GenImage数据集有以下几个优点：

1. 大量数据，有一百万对
2. 内容丰富，有大量类别
3. 由最先进的GAN和Diffusion模型生成

文章还对数据集进行了全面分析，并提出了两个评估检测方法的任务，模拟真实世界场景：

1. 跨生成器图像分类任务：测量一个生成器上训练的检测器，在别的生成器上的测试性能
2. 降级图像分类任务：评估检测器在处理如低分辨率，模糊和压缩图像等降级图像的能力

Dataset Construction

Fake Image Generators

1. Diffusion Model：midjourney Wukong Stable Diffusion ADM GLIDE VQDM
2. GAN model：在过去的几十年中，为图像生成带来了显着的质量改进。BigGAN

GenImage Benchmark

Fake Image Detectors

1. backbone model：直接使用ResNet-50，DeiT-S ，Swin-T来做检测器，没有特别的设计
2. Fake Face Detector：F3Net和GramNet，都是用于检测虚假人脸的

F3Net同时探索频率分量的划分和频率统计分布 GramNet考虑全局纹理特征

1. General Fake Image Detector：Spec：在真实图片中添加由GAN生成的伪造特征。

Task 1: Cross-Generator Image Classification

检测某一生成模型的生成图像很简单。目标是做一个能够独立于使用的生成器区分真实和虚假图像的