SIDBench: A Python Framework for Reliably Assessing Synthetic Image Detection Methods

生成式人工智能技术提供了越来越多的工具，用于生成完全合成的图像，这些图像与真实图像越来越难以区分。与改变图像部分的方法不同，完全合成图像的创建提出了独特的挑战，最近出现了几种合成图像检测（SID）方法来应对这个问题。然而，在基准数据集上的实验结果与方法在实际中的表现之间经常存在很大差距。为了更好地解决SID的评估需求并帮助缩小这一差距，本文介绍了一个基准测试框架，该框架集成了几种最先进的SID模型。我们选择集成的模型是基于利用不同的输入特征和不同的网络架构，旨在涵盖广泛的技术领域。该框架利用了最近的数据集，其中包含各种各样的生成模型、高水平的照片真实感和分辨率，反映了图像合成技术的快速提高。此外，该框架使得可以研究在线共享资产中常见的图像转换，例如JPEG压缩，如何影响检测性能。SIDBench可在https://github.com/mever-team/sidbench上获得，并以模块化的方式设计，以便轻松包含新的数据集和SID模型。

本论文旨在解决完全合成图像检测的问题，并提出了一个基准测试框架，以评估当前最先进的合成图像检测模型在真实场景中的性能。

该论文提出了一个基准测试框架，该框架集成了多种最先进的合成图像检测模型，旨在评估这些模型在真实场景中的性能表现，以填补实验结果与真实场景之间的差距。

该论文的亮点包括：使用了多种最先进的合成图像检测模型，提出了一个基准测试框架，该框架集成了多个数据集和高分辨率的真实场景图像，以及对图像压缩等转换的影响进行了研究。论文代码已在GitHub上开源。

最近的相关研究包括：'Towards Robust Detection of Adversarial Examples'，'Learning to Detect Manipulated Images using a Multi-task Convolutional Neural Network'，以及 'Image Forgery Detection Using Convolutional Neural Network'。