TextureCrop: Enhancing Synthetic Image Detection through Texture-based Cropping

生成式人工智能技术可以产生超真实的图像，可用于制造误导性或有害内容等不良用途。因此，合成图像检测（SID）是防御人工智能生成的有害内容的必要工具。目前的SID方法通常将输入图像调整为固定分辨率或进行中心裁剪，这是由于计算问题导致的，在有效检测高分辨率图像中的伪影方面存在挑战。为此，我们提出了一种新的图像预处理技术TextureCrop。通过专注于生成伪影普遍存在的高频图像部分，TextureCrop有效地提高了SID的准确性，同时保持了可管理的内存需求。实验结果表明，在Forensynths和Synthbuster数据集的高分辨率图像中，与中心裁剪相比，各种检测器的AUC平均提高了5.7%，与调整大小相比提高了14%。

论文旨在提高合成图像检测的准确性，解决高分辨率图像检测中固定分辨率或居中裁剪的限制所带来的挑战。

TextureCrop是一种新的图像预处理技术，通过聚焦于高频图像部分，提高合成图像检测的准确性，同时保持可管理的内存需求。

论文实验使用Forensynths和Synthbuster数据集，证明TextureCrop相比于居中裁剪和调整大小，可以将各种检测器的AUC平均提高5.7%和14%。该论文提出的TextureCrop技术为合成图像检测领域带来了新的思路。

最近的相关研究包括：1）使用GANs合成图像的检测；2）使用基于深度学习的方法进行图像篡改检测。