Perception, Verdict, and Evolution: Hindsight-Driven Self-Refining Forensics Agent for AI-Generated Image Detection
Abstractの概要
本稿では、知覚・判定（Perception-Verdict）アーキテクチャと、正解に基づく自己改善ループ（hindsight-driven self-refinement loop）を組み合わせた、AI生成画像検出のためのエージェントフレームワーク「ForeAgent」を提案する。本システムは、元の画像からの意味的な手がかり、ウェーブレット変換からの周波数領域の手がかり、外部のNPR検出器からの空間的な手がかりを集約し、MLLMを使用して解釈可能な最終判定を生成する。学習中には、誤分類や脆弱な推論過程を反復的に振り返り、再生成された推論サンプルを二つの専門家ゲートプロセス（dual-expert quality-gating）でフィルタリングし、厳選されたデータでモデル自身をファインチューニングする。実験では、AIGCDetectBenchmarkおよびChameleonを用いて、検出精度と推論結果の品質の両方を評価している。
新規性
本研究の特徴は、多角的なフォレンジック証拠と、正解ラベルから得た後知恵を利用してより良い推論過程を再生成および厳選する、反復的な自己進化メカニズムを組み合わせている点である。静的な人工の教師データに依存したり、バックボーンのアーキテクチャを変更したりする手法とは異なり、ForeAgentはMLLMのバックボーンを維持したまま、サンプリング、反復的な振り返り（reflection）、専門家による品質評価、そして繰り返しのファインチューニングを通じて性能を向上させる。
成果
ForeAgentはChameleonベンチマークにおいて全体精度82.18%を達成し、AIDEを16.41パーセントポイント上回り、AIGCDetectBenchmarkにおける16個の生成モデルにわたる平均精度では93.3%を記録した。さらに、本論文の比較において最高の推論品質スコア（5.35）を獲得し、GPT-5-mini（4.81）やGPT-5（4.15）を上回った。一方で、いくつかのCNNベースの検出器が依然強い結果を示すWFIRにおいては、比較的弱い性能にとどまったことも注記されている。
論文の注目点
- ForeAgentは、意味的、周波数領域的、および空間的なフォレンジックの手がかりを統合し、MLLMを判定モジュールとして利用することで、証拠に基づいた画像判定を生成する。
- 後知恵に基づいた自己改善型の学習ループは、振り返りと専門家品質ゲート処理を通じて、エラーや脆弱な根拠を新たな教師データに変換し、外部の最先端モデルや人手の注釈への依存を低減する。
- 実験的において、本手法はChameleonで最高精度（state-of-the-art）を記録し、AIGCDetectBenchmarkでは生成モデル間で強力な汎化性能を示した一方で、WFIRなどの一部のデータソースに対しては限界があることも示された。