論文の概要: Survey on AI-Generated Media Detection: From Non-MLLM to MLLM
- arxiv url: http://arxiv.org/abs/2502.05240v2
- Date: Wed, 12 Feb 2025 14:43:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-13 13:45:28.181793
- Title: Survey on AI-Generated Media Detection: From Non-MLLM to MLLM
- Title（参考訳）: AI生成メディア検出に関する調査:非MLLMからMLLMへ
- Authors: Yueying Zou, Peipei Li, Zekun Li, Huaibo Huang, Xing Cui, Xuannan Liu, Chenghanyu Zhang, Ran He,
- Abstract要約: AI生成メディアを検出する方法は急速に進化してきた。
MLLMに基づく汎用検出器は、信頼性検証、説明可能性、ローカライゼーション機能を統合する。
倫理的・セキュリティ的な配慮が、重要な世界的な懸念として浮上している。
- 参考スコア（独自算出の注目度）: 51.91311158085973
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The proliferation of AI-generated media poses significant challenges to information authenticity and social trust, making reliable detection methods highly demanded. Methods for detecting AI-generated media have evolved rapidly, paralleling the advancement of Multimodal Large Language Models (MLLMs). Current detection approaches can be categorized into two main groups: Non-MLLM-based and MLLM-based methods. The former employs high-precision, domain-specific detectors powered by deep learning techniques, while the latter utilizes general-purpose detectors based on MLLMs that integrate authenticity verification, explainability, and localization capabilities. Despite significant progress in this field, there remains a gap in literature regarding a comprehensive survey that examines the transition from domain-specific to general-purpose detection methods. This paper addresses this gap by providing a systematic review of both approaches, analyzing them from single-modal and multi-modal perspectives. We present a detailed comparative analysis of these categories, examining their methodological similarities and differences. Through this analysis, we explore potential hybrid approaches and identify key challenges in forgery detection, providing direction for future research. Additionally, as MLLMs become increasingly prevalent in detection tasks, ethical and security considerations have emerged as critical global concerns. We examine the regulatory landscape surrounding Generative AI (GenAI) across various jurisdictions, offering valuable insights for researchers and practitioners in this field.
- Abstract（参考訳）: AI生成メディアの普及は、情報信頼性と社会的信頼に重大な課題をもたらし、信頼性の高い検出方法が要求される。
AI生成メディアの検出方法は、MLLM(Multimodal Large Language Models)の発展と並行して、急速に進化してきた。
現在の検出手法は,非MLLM法とMLLM法という2つの主要なグループに分類される。
前者は深層学習技術を利用した高精度のドメイン固有検出器を使用し、後者は真正性検証、説明可能性、ローカライゼーション機能を統合したMLLMに基づく汎用検出器を使用している。
この分野では大きな進展があったが、ドメイン固有から汎用的な検出方法への移行を調査する総合的な調査に関する文献のギャップは依然として残っている。
本稿では,両アプローチを体系的にレビューし,単一モーダル・マルチモーダルの観点から解析することによって,このギャップに対処する。
本稿では,これらのカテゴリの方法論的類似点と相違点について,詳細な比較分析を行った。
この分析を通じて、潜在的なハイブリッドアプローチを探求し、偽造検出における重要な課題を特定し、今後の研究の方向性を示す。
さらに、MLLMが検知タスクでますます普及するにつれて、倫理的・セキュリティ的な考慮が世界的な重要な懸念事項として浮上している。
我々は、ジェネレーティブAI(GenAI)を取り巻く規制の環境を様々な管轄区域で検討し、この分野の研究者や実践者に貴重な洞察を提供する。
関連論文リスト
- A Survey of Frontiers in LLM Reasoning: Inference Scaling, Learning to Reason, and Agentic Systems [93.8285345915925]
推論(Reasoning)は、論理的推論、問題解決、意思決定を可能にする基本的な認知プロセスである。
大規模言語モデル(LLM)の急速な進歩により、推論は高度なAIシステムを区別する重要な能力として浮上した。
我々は,(1)推論が達成される段階を定義するレジーム,(2)推論プロセスに関与するコンポーネントを決定するアーキテクチャの2つの側面に沿って既存の手法を分類する。
論文 参考訳（メタデータ） (2025-04-12T01:27:49Z) - A Review Paper of the Effects of Distinct Modalities and ML Techniques to Distracted Driving Detection [3.6248657646376707]
引き離された運転は、深刻な人的・経済的影響で重要な世界的課題である。
この体系的なレビューは、機械学習(ML)と深層学習(DL)技術を多種多様なデータモダリティに適用した包括的分析を提供することによって、重要なギャップに対処する。
論文 参考訳（メタデータ） (2025-01-20T21:35:34Z) - Passive Deepfake Detection Across Multi-modalities: A Comprehensive Survey [1.7811840395202345]
ディープフェイク(DF)は、個人の偽造、誤情報拡散、アーティストスタイルの模倣など、悪意ある目的に利用されてきた。
この調査は、研究者や実践者が現在の景観、方法論的アプローチ、そしてこの急速に発展する分野における将来的な方向性を理解するための総合的なリソースを提供する。
論文 参考訳（メタデータ） (2024-11-26T22:04:49Z) - Beyond Binary: Towards Fine-Grained LLM-Generated Text Detection via Role Recognition and Involvement Measurement [51.601916604301685]
大規模言語モデル(LLM)は、オンライン談話における信頼を損なう可能性のあるコンテンツを生成する。
現在の手法はバイナリ分類に重点を置いており、人間とLLMのコラボレーションのような現実のシナリオの複雑さに対処できないことが多い。
バイナリ分類を超えてこれらの課題に対処するために,LLM生成コンテンツを検出するための新しいパラダイムを提案する。
論文 参考訳（メタデータ） (2024-10-18T08:14:10Z) - From Linguistic Giants to Sensory Maestros: A Survey on Cross-Modal Reasoning with Large Language Models [56.9134620424985]
クロスモーダル推論(CMR)は、より高度な人工知能システムへの進化における重要な能力として、ますます認識されている。
CMRタスクに取り組むためにLLM(Large Language Models)をデプロイする最近のトレンドは、その有効性を高めるためのアプローチの新たな主流となっている。
本調査では,LLMを用いてCMRで適用された現在の方法論を,詳細な3階層分類に分類する。
論文 参考訳（メタデータ） (2024-09-19T02:51:54Z) - Surveying the MLLM Landscape: A Meta-Review of Current Surveys [17.372501468675303]
MLLM(Multimodal Large Language Models)は、人工知能分野における変革の原動力となっている。
本研究の目的は,MLLMのベンチマークテストと評価方法の体系的レビューを提供することである。
論文 参考訳（メタデータ） (2024-09-17T14:35:38Z) - Evolving from Single-modal to Multi-modal Facial Deepfake Detection: Progress and Challenges [40.11614155244292]
この調査は、初期の単一モーダル法から洗練された多モーダルアプローチへのディープフェイク検出の進化を辿るものである。
本稿では,検出手法の構造化された分類法を提案し,GANベースから拡散モデル駆動型ディープフェイクへの遷移を解析する。
論文 参考訳（メタデータ） (2024-06-11T05:48:04Z) - Large Multimodal Agents: A Survey [78.81459893884737]
大規模言語モデル(LLM)は、テキストベースのAIエージェントのパワーで優れたパフォーマンスを実現している。
LLMを利用したAIエージェントをマルチモーダルドメインに拡張することに焦点を当てた、新たな研究トレンドがある。
本総説は, この急速に発展する分野において, 今後の研究に有用な洞察とガイドラインを提供することを目的としている。
論文 参考訳（メタデータ） (2024-02-23T06:04:23Z) - Detecting Multimedia Generated by Large AI Models: A Survey [26.84095559297626]
この調査の目的は、学術的なギャップを埋め、グローバルなAIセキュリティ努力に貢献することである。
メディアモダリティによって分類された検出手法のための新しい分類法を提案する。
本稿では,生成機構,公開データセット,オンライン検出ツールの概要を紹介する。
論文 参考訳（メタデータ） (2024-01-22T15:08:19Z) - A Survey on Detection of LLMs-Generated Content [97.87912800179531]
LLMの生成する内容を検出する能力が最重要視されている。
既存の検出戦略とベンチマークの詳細な概要を提供する。
また、様々な攻撃から守るための多面的アプローチの必要性を示唆する。
論文 参考訳（メタデータ） (2023-10-24T09:10:26Z)
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。