Fugu-MT 論文翻訳(概要): Few-Shot Learner Generalizes Across AI-Generated Image Detection

論文の概要: Few-Shot Learner Generalizes Across AI-Generated Image Detection

arxiv url: http://arxiv.org/abs/2501.08763v1
Date: Wed, 15 Jan 2025 12:33:11 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-16 15:52:24.200125
Title: Few-Shot Learner Generalizes Across AI-Generated Image Detection
Title（参考訳）: AI生成画像検出を一般化したFew-Shot Learninger
Authors: Shiyu Wu, Jing Liu, Jing Li, Yequan Wang,
Abstract要約: フーショット検出器(Few-Shot Detector, FSD)は、未知の偽画像を効果的に識別するために、特殊な距離空間を学習するAI生成画像検出器である。実験の結果、FSDのパフォーマンスは、GenImageデータセット上で平均ACC$+7.4%向上した。
参考スコア（独自算出の注目度）: 14.069833211684715
License:
Abstract: Current fake image detectors trained on large synthetic image datasets perform satisfactorily on limited studied generative models. However, they suffer a notable performance decline over unseen models. Besides, collecting adequate training data from online generative models is often expensive or infeasible. To overcome these issues, we propose Few-Shot Detector (FSD), a novel AI-generated image detector which learns a specialized metric space to effectively distinguish unseen fake images by utilizing very few samples. Experiments show FSD achieves state-of-the-art performance by $+7.4\%$ average ACC on GenImage dataset. More importantly, our method is better capable of capturing the intra-category common features in unseen images without further training.
Abstract（参考訳）: 大規模な合成画像データセットで訓練された現在の偽画像検出器は、限られた研究された生成モデルで十分に機能する。しかし、見知らぬモデルよりもパフォーマンスが著しく低下している。さらに、オンライン生成モデルから適切なトレーニングデータを集めることは、しばしばコストがかかるか不可能である。これらの課題を克服するために、ごく少数のサンプルを利用して、目に見えない偽画像を効果的に識別する専門的な距離空間を学習する、AI生成画像検出器であるFew-Shot Detector (FSD)を提案する。実験によると、FSDはGenImageデータセット上の平均ACC$+7.4\%で最先端のパフォーマンスを達成する。さらに,本手法は,未確認画像におけるカテゴリ内共通特徴を,それ以上のトレーニングを行なわずに捉えることができる。

関連論文リスト

Large-Scale Data-Free Knowledge Distillation for ImageNet via Multi-Resolution Data Generation [53.95204595640208]
Data-Free Knowledge Distillation (DFKD)は、教師モデルから生徒モデルへの知識伝達を可能にする高度な技術である。従来のアプローチでは、実際の画像の情報を活用することなく、高解像度で合成画像を生成してきた。 MUSEは、クラスアクティベーションマップ(CAM)を使用して、低い解像度で画像を生成し、生成された画像が重要なクラス固有の特徴を保持することを保証する。
論文参考訳（メタデータ） (2024-11-26T02:23:31Z)
Semi-Truths: A Large-Scale Dataset of AI-Augmented Images for Evaluating Robustness of AI-Generated Image detectors [62.63467652611788]
実画像27,600枚、223,400枚、AI拡張画像1,472,700枚を含むSEMI-TRUTHSを紹介する。それぞれの画像には、検出器のロバスト性の標準化と目標評価のためのメタデータが添付されている。以上の結果から,現状の検出器は摂動の種類や程度,データ分布,拡張方法に様々な感度を示すことが示唆された。
論文参考訳（メタデータ） (2024-11-12T01:17:27Z)
Analysis of Classifier Training on Synthetic Data for Cross-Domain Datasets [4.696575161583618]
本研究は、高度な運転支援システムと自律運転のためのカメラベースの交通標識認識アプリケーションに焦点を当てた。合成データセットの増補パイプラインは、構造化影やガウスの特異なハイライトのような新しい増補プロセスを含む。実験の結果、クロスドメインテストデータセットに適用した場合、ほとんどの場合、合成画像ベースアプローチは実際の画像ベーストレーニングよりも優れていた。
論文参考訳（メタデータ） (2024-10-30T07:11:41Z)
Rejection Sampling IMLE: Designing Priors for Better Few-Shot Image Synthesis [7.234618871984921]
新たな研究分野は、限られたトレーニングデータで深層生成モデルを学ぶことを目的としている。トレーニングに使用する事前分布を変更する新しいアプローチであるRS-IMLEを提案する。これにより、既存のGANやIMLEベースの手法に比べて画質が大幅に向上する。
論文参考訳（メタデータ） (2024-09-26T00:19:42Z)
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)
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)
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)
On quantifying and improving realism of images generated with diffusion [50.37578424163951]
与えられた画像の5つの統計的測度から算出した画像リアリズムスコア(IRS)と呼ばれるメトリクスを提案する。 IRSは、与えられた画像を実または偽のものとして分類する手段として容易に利用できる。我々は,安定拡散モデル (SDM) , Dalle2, Midjourney, BigGAN による偽画像の検出に成功して,提案したIRSのモデルおよびデータに依存しない性質を実験的に確立した。このデータセットは、高品質の4つのモデルによって生成される100のクラスに対して1,000のサンプルを提供します。
論文参考訳（メタデータ） (2023-09-26T08:32:55Z)
GenImage: A Million-Scale Benchmark for Detecting AI-Generated Image [28.38575401686718]
我々は、100万組のAI生成フェイクイメージと実際の画像の収集を含むGenImageデータセットを紹介した。この利点は、GenImageで訓練された検出器が徹底的な評価を行い、多様な画像に適用可能であることを示すことである。本研究では,本データセットの包括的解析を行い,実世界のシナリオに類似した検出手法を評価するための2つの課題を提案する。
論文参考訳（メタデータ） (2023-06-14T15:21:09Z)
Multiclass non-Adversarial Image Synthesis, with Application to Classification from Very Small Sample [6.243995448840211]
我々は、新しい非逆生成法 - LA(Clustered Optimization of LAtent space)を提案する。本手法は,全データレギュレーションにおいて,教師なしの多様なマルチクラス画像を生成することができる。ラベル付き画像の小さなサンプルのみが、追加のラベル付きデータにアクセスせずにトレーニングできる小データ体制では、同じ量のデータでトレーニングされた最先端のGANモデルを上回る結果が得られる。
論文参考訳（メタデータ） (2020-11-25T18:47:27Z)

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。