論文の概要: The Unwinnable Arms Race of AI Image Detection

• arxiv url: http://arxiv.org/abs/2509.21135v1
• Date: Thu, 25 Sep 2025 13:25:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.9325
• Title: The Unwinnable Arms Race of AI Image Detection
• Title（参考訳）: AI画像検出で勝ち目のない腕のレース
• Authors: Till Aczel, Lorenzo Vettor, Andreas Plesner, Roger Wattenhofer,
• Abstract要約: データ次元とデータの複雑さの2つの要因を分析します。 非常に単純かつ複雑なデータセットが合成画像の検出性を低下させることを示す。 対照的に、中間複雑データセットは検出に最も好ましい条件を生成する。
• 参考スコア（独自算出の注目度）: 28.844098517315228
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid progress of image generative AI has blurred the boundary between synthetic and real images, fueling an arms race between generators and discriminators. This paper investigates the conditions under which discriminators are most disadvantaged in this competition. We analyze two key factors: data dimensionality and data complexity. While increased dimensionality often strengthens the discriminators ability to detect subtle inconsistencies, complexity introduces a more nuanced effect. Using Kolmogorov complexity as a measure of intrinsic dataset structure, we show that both very simple and highly complex datasets reduce the detectability of synthetic images; generators can learn simple datasets almost perfectly, whereas extreme diversity masks imperfections. In contrast, intermediate-complexity datasets create the most favorable conditions for detection, as generators fail to fully capture the distribution and their errors remain visible.
• Abstract（参考訳）: 画像生成AIの急速な進歩は、合成画像と実際の画像の境界を曖昧にし、ジェネレータと識別器の間の武器競争を加速させた。 本稿では,この競争において差別者が最も不利な条件について検討する。 データ次元とデータの複雑さの2つの要因を分析します。 次元性の増大は、微妙な矛盾を検出する識別能力を強化することが多いが、複雑さはよりニュアンスな効果をもたらす。 Kolmogorov複雑性を内在的なデータセット構造の尺度として用いて、非常に単純で複雑なデータセットが合成画像の検出可能性を減らすことを示し、ジェネレータは単純なデータセットをほぼ完璧に学習できるのに対して、極端な多様性マスクは不完全である。 対照的に、中間複雑度データセットは、ジェネレータが完全な分布をキャプチャできず、エラーが見えないため、最も好ましい検出条件を生成する。

関連論文リスト

• RAID: A Dataset for Testing the Adversarial Robustness of AI-Generated Image Detectors [57.81012948133832]
  本稿では,72kの多種多様かつ高い変換可能な対向例からなるRAID(Robust Evaluation of AI- generated Image Detectors)を提案する。 提案手法は,未知の検出器に高い成功率で転送する逆画像を生成する。 以上の結果から,現在最先端のAI生成画像検出器は,敵の例によって容易に認識できることが示唆された。
  論文  参考訳（メタデータ） (2025-06-04T14:16:00Z)
• Explainable Synthetic Image Detection through Diffusion Timestep Ensembling [30.298198387824275]
  本稿では,複数の雑音の時間ステップでアンサンブルを訓練することにより,中間雑音画像の特徴を直接活用する合成画像検出手法を提案する。 人間の理解を深めるために,メートル法に基づく説明文生成と改良モジュールを導入する。 本手法は, 正解率98.91%, 正解率95.89%, 正解率95.89%, 正解率98.91%, 正解率95.89%である。
  論文  参考訳（メタデータ） (2025-03-08T13:04:20Z)
• PolSAM: Polarimetric Scattering Mechanism Informed Segment Anything Model [76.95536611263356]
  PolSARデータは、そのリッチで複雑な特徴のために、ユニークな課題を提示する。 複素数値データ、偏光特性、振幅画像などの既存のデータ表現が広く使われている。 PolSARのほとんどの機能抽出ネットワークは小さく、機能を効果的にキャプチャする能力を制限している。 本稿では,ドメイン固有の散乱特性と新規なプロンプト生成戦略を統合したSegment Anything Model (SAM) であるPolarimetric Scattering Mechanism-Informed SAM (PolSAM)を提案する。
  論文  参考訳（メタデータ） (2024-12-17T09:59:53Z)
• On the Exploitation of DCT-Traces in the Generative-AI Domain [6.75641797020186]
  Deepfakesは、サイバーセキュリティとデジタル犯罪の世界でもっとも難しい課題の1つだ。 ほとんど全ての生成モデルは合成データにユニークな痕跡を残しており、分析され詳細が特定できれば、既存のディープフェイク検出器の一般化限界を改善するために利用することができる。
  論文  参考訳（メタデータ） (2024-02-03T16:45:31Z)
• Image change detection with only a few samples [7.5780621370948635]
  画像変化検出タスクの最大の障害は、さまざまな場面をカバーする大きな注釈付きデータセットの欠如である。 本稿では,合成データを生成するための単純な画像処理手法を提案する。 次に、対象検出に基づく初期の融合ネットワークを設計し、シアムニューラルネットを上回ります。
  論文  参考訳（メタデータ） (2023-11-07T07:01:35Z)
• Unsupervised Brain Anomaly Detection and Segmentation with Transformers [2.559418792403512]
  病理的な脳の外観は、正常性からの逸脱によって定義される異常としてのみ認識されるほど不均一である。 ここでは,ベクトル量子化変分オートエンコーダの潜在表現と自己回帰トランスフォーマのアンサンブルを組み合わせることにより,教師なし異常検出を実現する。 我々は,英国バイオバンクから15,000名の放射線学的に正常な被験者を対象に,小血管疾患,脱髄性病変,腫瘍を伴う4種類の脳MRデータセットの性能評価を行った。
  論文  参考訳（メタデータ） (2021-02-23T12:10:58Z)
• Semi-Supervised StyleGAN for Disentanglement Learning [79.01988132442064]
  現在の解離法は、いくつかの固有の制限に直面している。 半教師付き高分解能ディスタングル学習のためのStyleGANに基づく新しいアーキテクチャと損失関数を設計する。
  論文  参考訳（メタデータ） (2020-03-06T22:54:46Z)
• Image Fine-grained Inpainting [89.17316318927621]
  拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。 この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。 また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
  論文  参考訳（メタデータ） (2020-02-07T03:45:25Z)

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。