Distinguere tra immagini reali e generate dall’intelligenza artificiale, comunemente indicato come
"rilevamento immagini", rappresenta una sfida attuale e significativa. Nonostante
ricerche approfondite in (semi-)regime vigilato, zero-shot e pochi-shot
solo recentemente sono emerse come alternative promettenti. Il loro principale
il vantaggio sta nell'alleviare la manutenzione continua dei dati, che diventa rapidamente
obsoleto a causa dei progressi nelle tecnologie generative. Identifichiamo due principali lacune:
(1) una mancanza di fondamento teorico per i metodi, E (2) stanza significativa
per miglioramenti delle prestazioni nei regimi zero-shot e pochi-shot. Il nostro approccio è
fondata sulla comprensione e sulla quantificazione dei pregiudizi inerenti alla generazione
contenuto, dove utilizziamo queste quantità come criteri per caratterizzare il generato
immagini. Nello specifico, esploriamo i pregiudizi della probabilità implicita
molteplice, catturato da un modello di diffusione pre-addestrato. Attraverso la funzione punteggio
analisi, approssimiamo la curvatura, pendenza, e pregiudizio verso i punti su
la varietà di probabilità, stabilire criteri per il rilevamento nello zero-shot
regime. Estendiamo ulteriormente il nostro contributo all'impostazione pochi colpi impiegando
una metodologia mista di esperti. Risultati empirici attraverso 20 modelli generativi
dimostrare che il nostro metodo supera gli approcci attuali in entrambi i casi zero-shot
e impostazioni per pochi scatti. Questo lavoro avanza la comprensione teorica e
l'uso pratico dei contenuti generati viene distorto attraverso la lente di molteplicità
analisi.

Questo articolo esplora i giri e le loro implicazioni.

Scarica PDF: