laine中文的問題，透過圖書和論文來找解法和答案更準確安心。 我們查出實價登入價格、格局平面圖和買賣資訊

基於StyleGAN-v2並強化人臉特徵一致性之功能性磁振造影人臉影像重建

為了解決laine中文的問題，作者田晏瑜 這樣論述：

功能性磁振造影（fMRI）是一種非侵入性的大腦功能造影工具，其原理是量測基於神經元活動引起的血氧濃度變化而出現的微小的磁場差異來表示大腦各部分組織的活化狀態。當人類的視網膜上的視覺受器接收到刺激時，經過視覺系統傳遞到大腦中處理視覺訊號的區域，而不同的刺激會引發不同的活化反應。我們期望能夠找到刺激曹料與腦部反應的相關性，並重現出受試者在視覺刺激實驗中看見之人臉影像。在此研究中，我們對腦部反應訊號進行相對應的視覺影像重建。本論文以開源資料集進行模型訓練和測試。而我們提出的重建方法可分為兩個部分，第一部分是將腦部反應訊號映射到人臉影像生成器的樣本空間再透過預先訓練完成的生成器將人臉影像重建。而第二

部分則是解析腦部反應訊號中包含的刺激材料屬性，透過調整映射後的樣本空間使重建影像具備更高的屬性一致性。最後，人臉影像的重建結果我們亦分為兩個部分討論。首先是針對重建影像與原始的刺激影像中屬性一致性的正確率，經過分析與調整的屬性在最後的重建結果都有顯著的提高。其次是以線上問卷的方式，讓人們以刺激影像為基準，在正確的重建影像和任意的其他重建影像中選出較為相似的選項。而問卷的的結果顯示答題的正確率為90\%。此研究透過調整樣本空間改變影像的面部特徵使重建的人臉影像除了具有相似的外貌之外亦可以包含更精確的特徵。未來亦可經由對大腦更深入的解析並取得更多的特徵資訊使重建影像的品質提升。

一個基於深度神經網路用以偵測多種對抗網路生成的偽造影像之研究

為了解決laine中文的問題，作者吳姿靚 這樣論述：

隨著科技日益進步，影像編輯軟體也越來越發達。使用者可以透過修圖軟體，輕鬆地更改影像資訊，且修改後的內容，僅憑肉眼無法分辨出真假；另外，由於機器學習的發達，電腦亦具備自動生成影像的能力，可以輕易地產生出實際上並不存在的內容，而讓人類無法察覺不合理之處，若此項技術遭受有心人士不當使用，將會造成嚴重的社會問題。未經授權就修改資訊的行為，我們稱為變造 (forgery) 或是竄改 (tampering)。通常會受到竄改的資訊，不外乎是文字或是圖片；相較於影像，文字的變造比較簡單，只需要改變或移動文字即可，而影像的變造，通常以合成居多。至於是否能被肉眼識破，完全依靠變造者的技術；但是，近年來，由於深度

學習技術大爆發，使得傳統的偽造影像偵測方式無法使用。這是因為現今的偽造影像完全由電腦生成，而實際上並不存在，遺憾的是，非編輯製作的偽造圖像不會留下任何篡改痕跡。使用生成對抗網絡(Generative Adversarial Network; GAN)是目前電腦生成影像技術中最常用的方法。生成對抗網路包含一個生成器與一個判別器；生成器的目標是生成出接近真實樣本的影像，而判別器的目標是將生成影像從真實樣本中區分出來；若判別器可以區分真實影像和偽造影像，則調整生成器的參數，直到判別器無法辨識偽造影像為止。本論文所提之方法分成兩個部分。首先，我們針對生成對抗網路所生成的真、偽影像分別做離散傅立葉變換；

接著，將轉換後取得的頻譜影像，輸入到深度神經網路進行模型訓練。為了提升模型的辨識性能，我們納入了對比式學習(Contrastive Learning)，使電腦直接學習真、偽影像的差別。於實驗的部分，我們選擇了用三種不同的生成對抗網路，稱為 DCGAN、CycleGAN 和 AutoGAN，來產生偽造影像。透過我們提出的方法來辨識此三種不同生成對抗網路的偽造影像，實驗結果表明，使用我們提出的方法來檢測三種不同的 GAN 影像，平均準確率達到99.10%，與訓練和檢測特定目標相比，我們的方法可以更廣泛地識別從不同來源生成的偽造影像。