論文の概要: Breaking Latent Prior Bias in Detectors for Generalizable AIGC Image Detection

• arxiv url: http://arxiv.org/abs/2506.00874v1
• Date: Sun, 01 Jun 2025 07:20:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:33.714402
• Title: Breaking Latent Prior Bias in Detectors for Generalizable AIGC Image Detection
• Title（参考訳）: 一般化可能なAIGC画像検出のための検出器における遅延前バイアスの破壊
• Authors: Yue Zhou, Xinan He, KaiQing Lin, Bin Fan, Feng Ding, Bin Li,
• Abstract要約: 現在のAIGC検出器は、トレーニングに使用される同じジェネレータで生成された画像に対してほぼ完璧な精度を達成するが、目に見えないジェネレータからの出力に一般化するのに苦労する。 検出器は、堅牢な生成アーティファクトを学ぶのではなく、初期ノイズベクトルから発生するパターンに関連するショートカットを学習する。 そこで我々は, 発電機の出力多様体に残る逆数例を生成するオン・マニフォールド・逆数訓練(OMAT)を提案する。
• 参考スコア（独自算出の注目度）: 11.907536189598577
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current AIGC detectors often achieve near-perfect accuracy on images produced by the same generator used for training but struggle to generalize to outputs from unseen generators. We trace this failure in part to latent prior bias: detectors learn shortcuts tied to patterns stemming from the initial noise vector rather than learning robust generative artifacts. To address this, we propose On-Manifold Adversarial Training (OMAT): by optimizing the initial latent noise of diffusion models under fixed conditioning, we generate on-manifold adversarial examples that remain on the generator's output manifold-unlike pixel-space attacks, which introduce off-manifold perturbations that the generator itself cannot reproduce and that can obscure the true discriminative artifacts. To test against state-of-the-art generative models, we introduce GenImage++, a test-only benchmark of outputs from advanced generators (Flux.1, SD3) with extended prompts and diverse styles. We apply our adversarial-training paradigm to ResNet50 and CLIP baselines and evaluate across existing AIGC forensic benchmarks and recent challenge datasets. Extensive experiments show that adversarially trained detectors significantly improve cross-generator performance without any network redesign. Our findings on latent-prior bias offer valuable insights for future dataset construction and detector evaluation, guiding the development of more robust and generalizable AIGC forensic methodologies.
• Abstract（参考訳）: 現在のAIGC検出器は、トレーニングに使用される同じジェネレータで生成された画像に対してほぼ完璧な精度を達成するが、目に見えないジェネレータからの出力に一般化するのに苦労する。 検出器は、堅牢な生成アーティファクトを学ぶのではなく、初期ノイズベクトルから発生するパターンに関連するショートカットを学習する。 固定条件下での拡散モデルの初期潜時雑音を最適化することにより,生成装置の出力多様体に残る逆数例を生成し,生成装置自体が再生できず,真の識別的アーティファクトを隠蔽することができる。 GenImage++は、高度なジェネレータ(Flux.1, SD3)から出力されたテスト専用のベンチマークで、プロンプトと様々なスタイルが拡張されている。 ResNet50とCLIPのベースラインに我々の逆トレーニングパラダイムを適用し、既存のAIGCの法医学的ベンチマークと最近の課題データセットで評価する。 大規模な実験により、敵に訓練された検出器は、ネットワークを再設計することなく、クロスジェネレータの性能を大幅に向上することが示された。 先行バイアスに関する我々の知見は、より堅牢で一般化可能なAIGC法則の開発を導くために、将来的なデータセットの構築と検出器評価に有用な洞察を与える。

関連論文リスト

• FakeInversion: Learning to Detect Images from Unseen Text-to-Image Models by Inverting Stable Diffusion [18.829659846356765]
  本稿では,オープンソース事前学習型安定拡散モデルを用いて得られた特徴を用いた新しい合成画像検出器を提案する。 これらの逆転により、検出器は高視力の未確認発電機によく一般化できることが示される。 本稿では, 逆画像探索を用いて, 検出器評価におけるスタイリスティックおよびテーマバイアスを緩和する, 新たな挑戦的評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2024-06-12T19:14:58Z)
• D$^3$: Scaling Up Deepfake Detection by Learning from Discrepancy [29.919663502808575]
  既存の文献は、目に見えない発電機上でのディープフェイク検出の一般化能力を強調している。 この研究は、より一般化と堅牢性のある普遍的なディープフェイク検出システムに向けた一歩である。
  論文  参考訳（メタデータ） (2024-04-06T10:45:02Z)
• GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross Appearance-Edge Learning [50.7702397913573]
  フォトリアリスティック・ジェネレータの急速な進歩は、真の画像と操作された画像の相違がますます不明瞭になっている臨界点に達している。 公開されている顔の偽造データセットはいくつかあるが、偽造顔は主にGANベースの合成技術を用いて生成される。 我々は,大規模で多様できめ細かな高忠実度データセットであるGenFaceを提案し,ディープフェイク検出の進展を促進する。
  論文  参考訳（メタデータ） (2024-02-03T03:13:50Z)
• Securing Deep Generative Models with Universal Adversarial Signature [69.51685424016055]
  深い生成モデルは、その潜在的な誤用のために社会に脅威をもたらす。 本稿では,任意の事前学習型生成モデルに普遍的逆数シグネチャを注入することを提案する。 提案手法は, FFHQ と ImageNet のデータセット上で, 様々な最先端生成モデルを用いて検証する。
  論文  参考訳（メタデータ） (2023-05-25T17:59:01Z)
• FrePGAN: Robust Deepfake Detection Using Frequency-level Perturbations [12.027711542565315]
  我々は、既知のGANモデルと見えないGANモデルの両方に対してディープフェイク検出器を一般化するためのフレームワークを設計する。 本フレームワークは,実画像と区別できないような周波数レベルの摂動マップを生成する。 実験のために、GANモデル、色操作、オブジェクトカテゴリのトレーニング設定から異なる新しいテストシナリオを設計する。
  論文  参考訳（メタデータ） (2022-02-07T16:45:11Z)
• Unsupervised Controllable Generation with Self-Training [90.04287577605723]
  GANによる制御可能な世代は依然として困難な研究課題である。 本稿では,自己学習を通じてジェネレータを制御する潜伏符号の分布を学習するための教師なしフレームワークを提案する。 我々のフレームワークは、変分オートエンコーダのような他の変種と比較して、より良い絡み合いを示す。
  論文  参考訳（メタデータ） (2020-07-17T21:50:35Z)
• Old is Gold: Redefining the Adversarially Learned One-Class Classifier Training Paradigm [15.898383112569237]
  異常検出の一般的な方法は、逆数ネットワークのジェネレータを使用して異常スコアを定式化することである。 本研究では,幅広いトレーニング段階にわたって,安定した結果を効果的に生成するフレームワークを提案する。 我々のモデルは,最近の最先端手法を超越して,98.1%のフレームレベルAUCを実現する。
  論文  参考訳（メタデータ） (2020-04-16T13:48:58Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。