論文の概要: A Sanity Check for AI-generated Image Detection

• arxiv url: http://arxiv.org/abs/2406.19435v2
• Date: Tue, 08 Oct 2024 11:46:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-10 14:27:38.703792
• Title: A Sanity Check for AI-generated Image Detection
• Title（参考訳）: AI生成画像検出のための正当性検査
• Authors: Shilin Yan, Ouxiang Li, Jiayin Cai, Yanbin Hao, Xiaolong Jiang, Yao Hu, Weidi Xie,
• Abstract要約: 本稿では,AIによる画像検出の課題が解決されたかどうかの検査を行う。 既存の手法の一般化を定量化するために,Chameleonデータセット上で,既製のAI生成画像検出器を9つ評価した。 複数の専門家が同時に視覚的アーチファクトやノイズパターンを抽出するAI生成画像検出装置(AID)を提案する。
• 参考スコア（独自算出の注目度）: 49.08585395873425
• License:
• Abstract: With the rapid development of generative models, discerning AI-generated content has evoked increasing attention from both industry and academia. In this paper, we conduct a sanity check on "whether the task of AI-generated image detection has been solved". To start with, we present Chameleon dataset, consisting AIgenerated images that are genuinely challenging for human perception. To quantify the generalization of existing methods, we evaluate 9 off-the-shelf AI-generated image detectors on Chameleon dataset. Upon analysis, almost all models classify AI-generated images as real ones. Later, we propose AIDE (AI-generated Image DEtector with Hybrid Features), which leverages multiple experts to simultaneously extract visual artifacts and noise patterns. Specifically, to capture the high-level semantics, we utilize CLIP to compute the visual embedding. This effectively enables the model to discern AI-generated images based on semantics or contextual information; Secondly, we select the highest frequency patches and the lowest frequency patches in the image, and compute the low-level patchwise features, aiming to detect AI-generated images by low-level artifacts, for example, noise pattern, anti-aliasing, etc. While evaluating on existing benchmarks, for example, AIGCDetectBenchmark and GenImage, AIDE achieves +3.5% and +4.6% improvements to state-of-the-art methods, and on our proposed challenging Chameleon benchmarks, it also achieves the promising results, despite this problem for detecting AI-generated images is far from being solved. The dataset, codes, and pre-train models will be published at https://github.com/shilinyan99/AIDE.
• Abstract（参考訳）: 生成モデルの急速な発展に伴い、AI生成コンテンツを認識することは、産業とアカデミックの両方から注目を集めている。 本稿では,「AI生成画像検出の課題が解決されたかどうか」について,正当性チェックを行う。 まず、人間の知覚に本当に難しいAI生成画像からなるChameleonデータセットを紹介します。 既存の手法の一般化を定量化するために,Chameleonデータセット上で,既製のAI生成画像検出器を9つ評価した。 分析すると、ほぼすべてのモデルが、AI生成した画像を実際のものとして分類する。 その後,複数の専門家が同時に視覚的アーティファクトやノイズパターンを抽出するAI生成画像検出器(AID)を提案する。 具体的には、高レベルのセマンティクスをキャプチャするために、CLIPを用いて視覚埋め込みを計算する。 第二に、画像内の最高周波数パッチと最低周波数パッチを選択し、低レベルのパッチワイド特徴を計算し、低レベルのアーティファクト(例えばノイズパターン、アンチエイリアスなど)によってAI生成画像を検出することを目的としている。 AIGCDetectBenchmarkやGenImageなど、既存のベンチマークで評価しながらも、AI生成画像を検出する問題は解決できないものの、最先端のメソッドに+3.5%と+4.6%の改善が達成され、提案したChameleonベンチマークでも有望な結果が得られる。 データセット、コード、プレトレインモデルはhttps://github.com/shilinyan99/AIDE.comで公開される。

関連論文リスト

• Zero-Shot Detection of AI-Generated Images [54.01282123570917]
  AI生成画像を検出するゼロショットエントロピー検出器(ZED)を提案する。 機械によるテキスト検出の最近の研究に触発された私たちのアイデアは、分析対象の画像が実際の画像のモデルと比較してどれだけ驚くかを測定することである。 ZEDは精度の点でSoTAよりも平均3%以上改善されている。
  論文  参考訳（メタデータ） (2024-09-24T08:46:13Z)
• Improving Interpretability and Robustness for the Detection of AI-Generated Images [6.116075037154215]
  凍結したCLIP埋め込みに基づいて、既存の最先端AIGI検出手法を解析する。 さまざまなAIジェネレータが生成する画像が実際の画像とどのように異なるかを示す。
  論文  参考訳（メタデータ） (2024-06-21T10:33:09Z)
• RIGID: A Training-free and Model-Agnostic Framework for Robust AI-Generated Image Detection [60.960988614701414]
  RIGIDは、堅牢なAI生成画像検出のためのトレーニング不要でモデルに依存しない方法である。 RIGIDは、既存のトレーニングベースおよびトレーニング不要な検出器を著しく上回っている。
  論文  参考訳（メタデータ） (2024-05-30T14:49:54Z)
• Detecting AI-Generated Images via CLIP [0.0]
  我々は,大規模なインターネット規模のデータセットで事前学習したコントラスト言語-画像事前学習(CLIP)アーキテクチャを用いて,画像がAI生成されているかどうかを判定する能力について検討する。 いくつかの生成モデルからCLIPを実画像とAIGIに微調整し、CLIPが画像がAI生成されているかどうかを判断し、もしそうであれば、その生成にどの生成方法が使われたかを決定する。 本手法は,AIGI検出ツールへのアクセスを著しく増加させ,社会に対するAIGIの悪影響を低減させる。
  論文  参考訳（メタデータ） (2024-04-12T19:29:10Z)
• Raising the Bar of AI-generated Image Detection with CLIP [50.345365081177555]
  本研究の目的は、AI生成画像の普遍的検出のための事前学習された視覚言語モデル(VLM)の可能性を探ることである。 我々は,CLIP機能に基づく軽量な検出戦略を開発し,その性能を様々な難易度シナリオで検証する。
  論文  参考訳（メタデータ） (2023-11-30T21:11:20Z)
• PatchCraft: Exploring Texture Patch for Efficient AI-generated Image Detection [39.820699370876916]
  本稿では,多種多様な生成モデルを用いて生成した偽画像を識別できる新しいAI生成画像検出器を提案する。 グローバルな意味情報を消去し,テクスチャパッチを強化するために,新しいSmash&Reconstruction前処理を提案する。 我々のアプローチは最先端のベースラインよりも大きなマージンで優れています。
  論文  参考訳（メタデータ） (2023-11-21T07:12:40Z)
• Online Detection of AI-Generated Images [17.30253784649635]
  この設定における一般化、Nモデルのトレーニング、および次の(N+k)上でのテストについて研究する。 我々は、この手法を画素予測に拡張し、自動的に生成されたインペイントデータを用いて、強い性能を示す。 また、商用モデルが自動データ生成に利用できないような設定では、画素検出器が合成画像全体に対してのみ訓練可能であるかどうかを評価する。
  論文  参考訳（メタデータ） (2023-10-23T17:53:14Z)
• A Shared Representation for Photorealistic Driving Simulators [83.5985178314263]
  本稿では、識別器アーキテクチャを再考することにより、生成画像の品質を向上させることを提案する。 シーンセグメンテーションマップや人体ポーズといったセマンティックインプットによって画像が生成されるという問題に焦点が当てられている。 我々は,意味的セグメンテーション,コンテンツ再構成,および粗い粒度の逆解析を行うのに十分な情報をエンコードする,共有潜在表現を学習することを目指している。
  論文  参考訳（メタデータ） (2021-12-09T18:59:21Z)
• Ensembling with Deep Generative Views [72.70801582346344]
  生成モデルは、色やポーズの変化などの現実世界の変動を模倣する人工画像の「ビュー」を合成することができる。 そこで本研究では, 画像分類などの下流解析作業において, 実画像に適用できるかどうかを検討する。 StyleGAN2を再生増強の源として使用し、顔の属性、猫の顔、車を含む分類タスクについてこの設定を調査します。
  論文  参考訳（メタデータ） (2021-04-29T17:58:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。