Shadows Don't Lie and Lines Can't Bend! Generative Models don't know Projective Geometry...for now

生成模型可以生成非常逼真的图像。本文展示了生成的图像与真实图像的几何特征不同。我们建立了一组生成图像的集合，经过预筛选，可以欺骗简单的基于信号的分类器认为它们是真实的。然后，我们展示了预筛选的生成图像可以通过仅查看几何属性的分类器可靠地识别。我们使用了三种这样的分类器。所有三个分类器都无法访问图像像素，只查看派生的几何特征。第一个分类器查看图像的透视场，第二个分类器查看在图像中检测到的线条，第三个分类器查看检测到的对象和阴影之间的关系。我们的过程比SOTA本地信号基础检测器更可靠地检测到来自多个不同生成器的图像。显著性地图表明，分类器可以可靠地识别几何问题。我们得出结论，当前的生成器无法可靠地再现真实图像的几何属性。

论文试图通过建立一组预先筛选的生成图像集合，并利用几何特征来检测这些图像，验证生成图像与真实图像几何特征的差异。这是否是一个新问题？

论文的关键思路是利用几何特征来检测生成图像与真实图像的差异，并提出了三种只考虑几何特征的分类器来实现这一目的。

论文设计了实验来检测分类器的有效性，并通过显著性图展示了分类器如何可靠地识别生成图像的几何问题。此外，论文还比较了本方法和现有的基于信号的检测器的性能。

最近的相关研究主要集中在生成图像的真实性检测上，例如利用GAN的对抗训练来提高生成图像的真实性。相关论文包括：Efficient GAN-Based Anomaly Detection（ICLR 2021）和Detecting GAN-Generated Images Using Co-occurrence Matrices of Gradient Magnitudes（ICIP 2020）等。