Skip to content
KitploitKITPLOIT
OutilsExploitsBlog
Log in
Soumettre
OutilsExploitsBlog
Soumettre

Outils de Hacking, PenTest et Cybersécurité pour votre Arsenal de Sécurité !

Kitploit est un répertoire d'outils de hacking, de cybersécurité et de pentesting. Découvrez les dernières mises à jour des projets pour trouver des vulnérabilités, analyser des systèmes, automatiser les tests et renforcer votre sécurité.

FluxContactConfidentialité© 2026 Kitploit

Répertoire d'outils

Catégories

Voir toutes les catégories
Loading categories
DeeCLIP — Implémentation de l'article "DeeCLIP: A Robust and Generalizable Transformer-Based Framework for Detecting AI-Generated Images" | Kitploit
Outils/GitHubGitHub/mamadou-keita/deeclip
Apprentissage AutomatiqueArticles et RechercheSécurité de l'IAAttaque Adversariale
GitHubmamadou-keita/deeclip

DeeCLIP

Implémentation de l'article "DeeCLIP: A Robust and Generalizable Transformer-Based Framework for Detecting AI-Generated Images"

Voir le dépôt
1539il y a 9 moisPas encore vérifié
Partager

DeeCLIP : Un framework robuste et généralisable basé sur Transformer pour la détection d'images générées par IA

☀️ Si vous trouvez ce travail utile pour votre recherche, veuillez mettre une étoile sur notre dépôt et citer notre article ! ☀️

À faire

Nous travaillons dur sur les éléments suivants :

  • Publier l'article ArXiv
  • Publier les scripts d'entraînement
  • Publier les scripts d'inférence
  • Publier les points de contrôle

DeeCLIP

DeeCLIP est un nouveau framework pour détecter les images générées par IA utilisant une combinaison de CLIP-ViT et d'apprentissage par fusion. Alors que les modèles génératifs continuent de s'améliorer, la détection d'images synthétiques devient plus difficile en raison d'une faible généralisation et d'une vulnérabilité aux manipulations d'images courantes. DeeCLIP aborde ces problèmes avec une architecture robuste et adaptable.


🔍 Aperçu

DeeCLIP améliore la détection des images générées par IA en intégrant :

  • ✅ Apprentissage zero-shot via CLIP-ViT pour une généralisation indépendante du modèle.
  • 🧠 Ajustement fin basé sur LoRA pour s'adapter efficacement sans oublier.
  • 🔀 DeeFuser : un module de fusion personnalisé combinant des caractéristiques profondes et superficielles pour la robustesse au post-traitement.
  • 🎯 Triplet loss pour structurer l'espace d'embedding et améliorer la discrimination entre réel et faux.

Image de l'approche

Prérequis

pip install -r requirements.txt

Téléchargement des poids du modèle

Pour utiliser le modèle, téléchargez les poids et enregistrez-les dans le dossier weights.

Téléchargement automatique (ligne de commande)

Exécutez la commande suivante dans votre 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"

Méthodes de détection SOTA

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

Évaluation

Pour exécuter le test sur un ensemble de données spécifique, utilisez la commande suivante :

python testing.py

Tracé T-SNE de la distribution des caractéristiques

Performance de généralisation des méthodes entraînées sur ProGAN

Les résultats montrent la précision (%) sur des sous-ensembles de données réelles et synthétiques.

MethodsTraining Set#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

📖 Citation

si vous utilisez notre travail, veuillez citer notre article

@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}, 
}
Télécharger l’outil

Populaires

Voir tout →

Découvrez les outils les plus utilisés par notre communauté.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 La boîte à outils OSINT ultime : graphe d'enquête, notation de confiance, familles d'alias, carte, chronologie et rapports. 49 modules, plus de 400 sites, aucune clé API requise.

    591
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Application d'exécution en un clic GhostLock (CVE-2026-43499)

    481
  • 3

    ARTEX

    baarai/artex

    Plateforme autonome de tests d'intrusion multi-agents basée sur des LLM, avec agents planificateur/ouvrier, graphes d'actifs et d'exploration, enregistrement du trafic MITM et retest des vulnérabilités.

    389
  • 4

    redforge

    cybersecurity91/redforge

    Boîte à outils red team côté navigateur avec 102 outils hors ligne pour la reconnaissance, la génération de payloads, les attaques par identifiants, la cryptographie, l'encodage et le reporting d'engagement.

    332
  • 5

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Le système d'action pour la cybersécurité native IA—où l'intention devient une exécution gouvernée, les preuves deviennent une mémoire opérationnelle, et chaque opération améliore la suivante.

    255
  • 6

    antifox

    antifox-ai/antifox

    Plateforme de test d'intrusion autonome multi-agents par IA qui exécute la reconnaissance, la découverte de la surface d'attaque, la validation de l'exploitation et la livraison de rapports étayés par des preuves.

    247

Explorer tous les outils

Parcourez notre collection d'outils

Voir tous les outils →