Modelli CNN a Confronto per il Rilevamento di Immagini False Generate da GAN

Uno studio recente pubblicato su arXiv (2605.20971) analizza le prestazioni di quattro modelli CNN pre-addestrati—VGG16, ResNet50, EfficientNetB0 e XceptionNet—nell'identificazione di immagini alterate da GAN. I ricercatori hanno implementato un approccio di preelaborazione standardizzato che include ridimensionamento, normalizzazione e aumento dei dati per mitigare lo squilibrio delle classi. I modelli sono stati valutati in base ad Accuratezza, Precisione, Recall, F1-score e ROC-AUC. VGG16 ha registrato l'accuratezza più alta, pari al 91%, mentre XceptionNet, ResNet50 ed EfficientNetB0 hanno raggiunto il 90%. Sebbene EfficientNetB0 abbia mostrato una maggiore sensibilità alle immagini manipolate, ha evidenziato una ridotta affidabilità con campioni autentici, sottolineando un bias dovuto allo squilibrio. Lo studio riconosce limitazioni come lo squilibrio del dataset, l'overfitting e l'interpretabilità ristretta, che potrebbero influire sulla robustezza in diversi domini.