作者： （1）Gonzalo J. Aniano Porcile，领英； （2）杰克·金迪（Jack Gindi），领英； （3）Shivansh Mundra，领英； （4）James R. Verbus，领英； （5）Hany Farid，领英和加州大学伯克利分校。 链接表 摘要和简介 数据集 模型 结果 讨论、致谢和参考文献 3. 模型 我们训练了一个模型来区分真实面孔和人工智能生成的面孔。底层模型是 EfficientNet-B1[7] 卷积神经网络 [30]。我们发现，与其他最先进的架构（Swin-T [22]、Resnet50 [14]、XceptionNet [7]）相比，这种架构提供了更好的性能。EfficientNet-B1 网络有 780 万个内部参数，这些参数是在 ImageNet1K 图像数据集 [30] 上预先训练的。 我们的流程由三个阶段组成：(1) 图像预处理阶段；(2) 图像嵌入阶段；(3) 评分阶段。该模型将彩色图像作为输入，并生成 [0, 1] 范围内的数值分数。接近 0 的分数表示图像可能是真实的，接近 1 的分数表示图像可能是 AI 生成的。 图像预处理步骤将输入图像的大小调整为 512×512 像素的分辨率。然后，将调整大小的彩色图像传递到 EfficientNet-B1 迁移学习层。在评分阶段，迁移学习层的输出被馈送到两个完全连接的层，每个层的大小为 2,048，具有 ReLU 激活函数、具有 0.8 丢失概率的丢失层和具有 S 形激活的最终评分层。仅调整了评分层（具有 680 万个可训练参数）。可训练权重使用 AdaGrad 算法进行优化，小批量大小为 32，学习率为 0.0001，训练最多 10,000 步。使用具有 60 个 NVIDIA A100 GPU 的集群进行模型训练。 该论文 。 可在 arxiv 上根据 CC 4.0 许可获取 [7] 我们描述的是 EfficientNet 模型的旧版本，我们之前曾在 LinkedIn 上实施过该模型，但后来被新模型取代。我们认识到这个模型不是最新的，但我们现在只能报告这些结果，因为该模型不再使用。
