Skip to content
KitploitKITPLOIT
HerramientasExploitsBlog
Log in
Enviar
HerramientasExploitsBlog
Enviar

¡Herramientas de Hacking, PenTest y Ciberseguridad para tu Arsenal de Seguridad!

Kitploit es un directorio de herramientas de hacking, ciberseguridad y pentesting. Descubre las últimas actualizaciones de proyectos para encontrar vulnerabilidades, analizar sistemas, automatizar pruebas y fortalecer tu seguridad.

FeedsContactoPrivacidad© 2026 Kitploit

Directorio de Herramientas

Categorías

Ver todas las categorías
Loading categories
Herramientas/GitHubGitHub/mamadou-keita/deeclip
Aprendizaje AutomáticoPapers e InvestigaciónSeguridad de IAAtaque Adversario
GitHubmamadou-keita/deeclip

DeeCLIP

Implementación del artículo "DeeCLIP: A Robust and Generalizable Transformer-Based Framework for Detecting AI-Generated Images"

Ver Repositorio
1539hace 9 mesesAún no revisado
Compartir

DeeCLIP: Un marco robusto y generalizable basado en Transformer para detectar imágenes generadas por IA

☀️ Si este trabajo te resulta útil para tu investigación, ¡por favor, dale una estrella a nuestro repositorio y cita nuestro artículo! ☀️

TODO

Estamos trabajando duro en los siguientes elementos:

  • Publicar el artículo en ArXiv
  • Publicar los scripts de entrenamiento
  • Publicar los scripts de inferencia
  • Publicar los checkpoints

DeeCLIP

DeeCLIP es un marco novedoso para detectar imágenes generadas por IA que combina CLIP-ViT y aprendizaje por fusión. A medida que los modelos generativos siguen mejorando, detectar imágenes sintéticas se vuelve más desafiante debido a la mala generalización y la vulnerabilidad a manipulaciones comunes de imagen. DeeCLIP aborda estos problemas con una arquitectura robusta y adaptable.


🔍 Descripción general

DeeCLIP mejora la detección de imágenes generadas por IA integrando:

  • ✅ Aprendizaje zero-shot mediante CLIP-ViT para una generalización independiente del modelo.
  • 🧠 Ajuste fino basado en LoRA para adaptarse eficientemente sin olvidar.
  • 🔀 DeeFuser: un módulo de fusión personalizado que combina características profundas y superficiales para una robustez frente al postprocesado.
  • 🎯 Pérdida triplet para estructurar el espacio de embeddings y mejorar la discriminación entre lo real y lo falso.

Imagen del enfoque

Requisitos

pip install -r requirements.txt

Descargar pesos del modelo

Para usar el modelo, descarga el peso y guárdalo en la carpeta weights.

Descarga automática (línea de comandos)

Ejecuta el siguiente comando en tu terminal:

mkdir -p weights && wget -O weights/deeclip_weight_complete_with_lora_5.pth "https://www.dropbox.com/scl/fi/ttiqnbxu8atz4on5gqvgd/deeclip_weight_complete_with_lora_5.pth?rlkey=6xznuvriabkqfdcofhi1pbihu&st=fk02k7hf&dl=1"

Métodos de detección SOTA

  • C2P-CLIP
  • RINE
  • FatFormer
  • AntifakePrompt
  • Bi-LORA

Evaluación

Para ejecutar la prueba en un conjunto de datos específico, usa el siguiente comando:

python testing.py

Gráfico T-SNE de la distribución de características

Rendimiento de generalización de los métodos entrenados en ProGAN

Los resultados muestran la precisión (%) en subconjuntos de datos reales y sintéticos.

MétodosConjunto de entrenamiento#paramsMS COCOFlickrControlNetDall3DiffusionDBIFLaMALTESD2InpaintSDXLSGXLSD3mAcc
FatFormerProGAN493M33.9734.0428.2732.0728.1027.9528.6712.3722.6331.9722.2335.9128.18
RINEProGAN434M99.8099.9091.6075.0073.0077.4030.9098.2071.9022.9098.5008.3070.56
C2P-CLIPProGAN304M99.6799.7315.1075.5727.8789.5665.4300.2027.9082.9007.1770.4655.13
DecCLIPProGAN306M97.8398.5086.0369.3371.1061.3763.0799.9780.5762.6098.9058.6178.99

📖 Citación

Si utilizas nuestro trabajo, por favor cita nuestro artículo

@misc{keita2025deecliprobustgeneralizabletransformerbased,
      title={DeeCLIP: A Robust and Generalizable Transformer-Based Framework for Detecting AI-Generated Images}, 
      author={Mamadou Keita and Wassim Hamidouche and Hessen Bougueffa Eutamene and Abdelmalik Taleb-Ahmed and Abdenour Hadid},
      year={2025},
      eprint={2504.19876},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2504.19876}, 
}
Descargar herramienta

Más Populares

Ver todos →

Descubre las herramientas más usadas por nuestra comunidad.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 El kit de herramientas OSINT definitivo: grafo de investigación, puntuación de confianza, familias de alias, mapa, línea de tiempo e informes. 49 módulos, más de 400 sitios, sin necesidad de claves API.

    795
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Aplicación de Ejecución con un Solo Toque GhostLock (CVE-2026-43499)

    520
  • 3

    ARTEX

    baarai/artex

    Plataforma de pruebas de penetración autónoma multiagente basada en LLM con agentes planificadores/trabajadores, grafos de activos y de exploración, registro de tráfico MITM y reevaluación de vulnerabilidades.

    439
  • 4

    redforge

    cybersecurity91/redforge

    Kit de herramientas de red team del lado del navegador con 102 herramientas offline para reconocimiento, generación de payloads, ataques de credenciales, criptografía, codificación y elaboración de informes de compromiso.

    346
  • 5

    looking-glass

    anonghosty/looking-glass

    Plataforma CSIRT que ingiere informes de Shadowserver en MongoDB y los reproduce como mapas interactivos, análisis, hallazgos, avisos y paneles ejecutivos.

    267
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    El sistema de acción para la ciberseguridad nativa de IA—donde la intención se convierte en ejecución gobernada, la evidencia se convierte en memoria operativa y cada operación mejora la siguiente.

    264

Explora todas las herramientas

Explora nuestra colección de herramientas

Ver todas las herramientas →