論文の概要: AEDR: Training-Free AI-Generated Image Attribution via Autoencoder Double-Reconstruction

• arxiv url: http://arxiv.org/abs/2507.18988v1
• Date: Fri, 25 Jul 2025 06:34:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-28 16:16:48.844081
• Title: AEDR: Training-Free AI-Generated Image Attribution via Autoencoder Double-Reconstruction
• Title（参考訳）: AEDR: オートエンコーダのダブルリコンストラクションによるAI生成のトレーニング不要なイメージアトリビューション
• Authors: Chao Wang, Kejiang Chen, Zijin Yang, Yaofei Wang, Weiming Zhang,
• Abstract要約: AEDR (AutoEncoder Double-Reconstruction) は、連続したオートエンコーダを持つ生成モデルのために設計された訓練不要の属性法である。 既存の再構成手法よりも25.5%高い属性精度を達成し、計算時間の1%しか必要としない。
• 参考スコア（独自算出の注目度）: 25.525545133210805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid advancement of image-generation technologies has made it possible for anyone to create photorealistic images using generative models, raising significant security concerns. To mitigate malicious use, tracing the origin of such images is essential. Reconstruction-based attribution methods offer a promising solution, but they often suffer from reduced accuracy and high computational costs when applied to state-of-the-art (SOTA) models. To address these challenges, we propose AEDR (AutoEncoder Double-Reconstruction), a novel training-free attribution method designed for generative models with continuous autoencoders. Unlike existing reconstruction-based approaches that rely on the value of a single reconstruction loss, AEDR performs two consecutive reconstructions using the model's autoencoder, and adopts the ratio of these two reconstruction losses as the attribution signal. This signal is further calibrated using the image homogeneity metric to improve accuracy, which inherently cancels out absolute biases caused by image complexity, with autoencoder-based reconstruction ensuring superior computational efficiency. Experiments on eight top latent diffusion models show that AEDR achieves 25.5% higher attribution accuracy than existing reconstruction-based methods, while requiring only 1% of the computational time.
• Abstract（参考訳）: 画像生成技術の急速な進歩により、誰でも生成モデルを使ってフォトリアリスティックなイメージを作成できるようになった。 悪意のある使用を緩和するためには、そのような画像の原点の追跡が不可欠である。 レコンストラクションベースの帰属法は有望な解決策を提供するが、しばしば最先端(SOTA)モデルに適用した場合、精度の低下と高い計算コストに悩まされる。 これらの課題に対処するために、連続オートエンコーダを用いた生成モデルのための新しいトレーニング不要属性法であるAEDR(AutoEncoder Double-Reconstruction)を提案する。 AEDRは、単一再構成損失の値に依存する既存の再構成ベースアプローチとは異なり、モデルのオートエンコーダを用いて2つの連続再構成を行い、これら2つの再構成損失の比率を属性信号として採用する。 この信号は、画像均質度測定を用いてさらに校正され、精度が向上し、画像の複雑さに起因する絶対バイアスが本質的にキャンセルされ、オートエンコーダベースの再構成により、計算効率が向上する。 8つの上位遅延拡散モデルの実験では、AEDRは既存の再構成法よりも25.5%高い属性精度を達成し、計算時間の1%しか必要としていない。

関連論文リスト

• Rotation Equivariant Arbitrary-scale Image Super-Resolution [62.41329042683779]
  任意のスケールの超解像(ASISR)は、低解像度の入力画像から任意のスケールの高分解能回復を実現することを目的としている。 本研究では, 回転同変ASISR法の構築に尽力する。
  論文  参考訳（メタデータ） (2025-08-07T08:51:03Z)
• Generative imaging for radio interferometry with fast uncertainty quantification [4.294714866547824]
  学習可能な再構築手法は、効率的で高品質な再構築を実現する上で有望である。 本稿では,後部分布の効率的な近似サンプリングを可能にする生成ニューラルネットワークの利用について検討する。 本手法は,次世代電波望遠鏡の計算効率,拡張性,不確実性に配慮した画像化に向けた重要なステップを提供する。
  論文  参考訳（メタデータ） (2025-07-28T18:52:07Z)
• RestoreVAR: Visual Autoregressive Generation for All-in-One Image Restoration [27.307331773270676]
  潜時拡散モデル(LDM)はオールインワン画像復元法(AiOR)の知覚的品質を大幅に改善した。 これらの LDM ベースのフレームワークは反復的なデノゲーションプロセスによって推論が遅くなり、時間に敏感なアプリケーションでは実用的でない。 本稿では, AiOR に対する新しい生成手法を提案し, LDM モデルよりも高速な推論を達成しつつ, 復元性能において LDM モデルよりも優れることを示す。
  論文  参考訳（メタデータ） (2025-05-23T15:52:26Z)
• Pixel to Gaussian: Ultra-Fast Continuous Super-Resolution with 2D Gaussian Modeling [50.34513854725803]
  Arbitrary-scale Super- resolution (ASSR) は、低解像度(LR)入力から任意のアップサンプリング係数で高解像度(HR)イメージを再構成することを目的としている。 本稿では,Gaussian Splattingを用いたLR画像から2次元連続HR信号を明示的に再構成する,Pixel-to-Gaussianパラダイムを用いた新しいContinuousSRフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-09T13:43:57Z)
• Exploring Real&Synthetic Dataset and Linear Attention in Image Restoration [47.26304397935705]
  画像復元は、劣化した入力から高品質な画像を復元することを目的としている。 既存のメソッドにはイテレーションと設定のための統一的なトレーニングベンチマークがない。 本稿では,画像複雑性に基づいた新しい画像フィルタリング手法であるReSynという大規模IRデータセットを提案する。
  論文  参考訳（メタデータ） (2024-12-05T02:11:51Z)
• Epsilon-VAE: Denoising as Visual Decoding [61.29255979767292]
  復号化は1段階の再構成から反復的改良へと移行する。 具体的には、デコーダを拡散処理に置き換え、ノイズを反復的に改善して元の画像を復元する。 拡散による反復的再構成により, 自己エンコーダであるEpsilon-VAEは高い再構成品質を実現する。
  論文  参考訳（メタデータ） (2024-10-05T08:27:53Z)
• Efficient One-Step Diffusion Refinement for Snapshot Compressive Imaging [8.819370643243012]
  Coded Aperture Snapshot Spectral Imaging (CASSI)は3次元マルチスペクトル画像(MSI)を撮影するための重要な技術である 現在の最先端の手法は、主にエンドツーエンドであり、高周波の詳細を再構築する際の制限に直面している。 本稿では,Snapshot Compressive Imagingのための自己教師型適応フレームワークにおいて,新しい1段階拡散確率モデルを提案する。
  論文  参考訳（メタデータ） (2024-09-11T17:02:10Z)
• Latent Diffusion Prior Enhanced Deep Unfolding for Snapshot Spectral Compressive Imaging [17.511583657111792]
  スナップショット分光画像再構成は、単発2次元圧縮計測から3次元空間スペクトル像を再構成することを目的としている。 我々は, 深部展開法に先立って劣化のないモデルを生成するため, 遅延拡散モデル(LDM)という生成モデルを導入する。
  論文  参考訳（メタデータ） (2023-11-24T04:55:20Z)
• DR2: Diffusion-based Robust Degradation Remover for Blind Face Restoration [66.01846902242355]
  ブラインド顔復元は通常、トレーニングのための事前定義された劣化モデルで劣化した低品質データを合成する。 トレーニングデータに現実のケースをカバーするために、あらゆる種類の劣化を含めることは、高価で実現不可能である。 本稿では、まず、劣化した画像を粗いが劣化不変な予測に変換し、次に、粗い予測を高品質な画像に復元するために拡張モジュールを使用するロバスト劣化再帰法(DR2)を提案する。
  論文  参考訳（メタデータ） (2023-03-13T06:05:18Z)
• Characteristic Regularisation for Super-Resolving Face Images [81.84939112201377]
  既存の顔画像超解像法(SR)は、主に人工的にダウンサンプリングされた低解像度(LR)画像の改善に焦点を当てている。 従来の非教師なしドメイン適応(UDA)手法は、未ペアの真のLRとHRデータを用いてモデルをトレーニングすることでこの問題に対処する。 これにより、視覚的特徴を構成することと、画像の解像度を高めることの2つのタスクで、モデルをオーバーストレッチする。 従来のSRモデルとUDAモデルの利点を結合する手法を定式化する。
  論文  参考訳（メタデータ） (2019-12-30T16:27:24Z)

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。