卷积神经网络生成的图像很难和真实图像区分吗？

据CNNDetection介绍，用于检测某个生成式对抗网络生成的图像而训练的分类器能够检测其他很多模型生成的图像。/如果训练一个分类器专用于检测某种生成式对抗网络生成的图像，那么这个分类器也能够检测其他很多模型生成的图像。

要深入了解这篇论文以及本报告的重点——生成式对抗网络，请看随同的视频2分钟论文。

表现

假说

. 在这篇论文中，作者提出疑问：能不能制作一个“通用”探测器来辨别真实图像与卷积神经网络生成的图像，不论卷积神经网络用的是什么框架和数据集。为了做这个实验，他们收集了一个数据集，数据集中的假图像由11个不同的图像生成器模型生成，这些模型都基于卷积神经网络，且囊括了现今的常见框架（ProGAN、StyleGAN、BigGAN、CycleGAN、StarGAN、GauGAN、DeepFakes、级联细化网络（cascaded refinement networks）、隐式极大似然估计（implicit maximum likelihood estimation）、二阶注意力超分辨率（second-order attention super-resolution）、黑夜遥望（seeing-in-the-dark））。

这个探测器能普遍适用吗？

此后作者宣称，通过细心的预处理、后处理和数据扩充，在某个卷积神经网络生成器（ProGAN）训练的一个标准图像分类器能够普遍适用于未知的框架、数据集和训练方法（包括刚刚发布的StyleGAN2），非常令人惊奇。

这是因为，所有这些生成式对抗网络有着共同的基本要素（卷积神经网络构成要素），这些基本要素把所有这些技术捆绑到了一起。

他们的发现暗示了一个新奇的可能性，那就是如今卷积神经网络生成的图像都有着一些共同的系统缺陷，这些系统缺陷让它们无法合成真实图像。

在接下来这部分，我们将深入了解用ProGAN训练的探测器如何泛化至其他生成式对抗网络。我们还会看到这个探测器做的一些预测以及做错的样本。

误判的预测

全部预测