論文の概要: Beyond Spectral Peaks: Interpreting the Cues Behind Synthetic Image Detection

• arxiv url: http://arxiv.org/abs/2510.05633v1
• Date: Tue, 07 Oct 2025 07:33:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:08.139639
• Title: Beyond Spectral Peaks: Interpreting the Cues Behind Synthetic Image Detection
• Title（参考訳）: スペクトルのピークを超える:合成画像検出の裏にあるキューを解釈する
• Authors: Sara Mandelli, Diego Vila-Portela, David Vázquez-Padín, Paolo Bestagini, Fernando Pérez-González,
• Abstract要約: 最先端の検出器は一般にブラックボックスとして使われており、これらのピークに依存しているかどうかはまだ不明である。 本稿では、画像からスペクトルピークを除去し、この操作が複数の検出器に与える影響を分析する戦略を提案する。 さらに,周波数ピークのみに依存する単純な線形検出器を導入し,深層学習の影響を受けずに完全に解釈可能なベースラインを提供する。
• 参考スコア（独自算出の注目度）: 48.54857325137626
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Over the years, the forensics community has proposed several deep learning-based detectors to mitigate the risks of generative AI. Recently, frequency-domain artifacts (particularly periodic peaks in the magnitude spectrum), have received significant attention, as they have been often considered a strong indicator of synthetic image generation. However, state-of-the-art detectors are typically used as black-boxes, and it still remains unclear whether they truly rely on these peaks. This limits their interpretability and trust. In this work, we conduct a systematic study to address this question. We propose a strategy to remove spectral peaks from images and analyze the impact of this operation on several detectors. In addition, we introduce a simple linear detector that relies exclusively on frequency peaks, providing a fully interpretable baseline free from the confounding influence of deep learning. Our findings reveal that most detectors are not fundamentally dependent on spectral peaks, challenging a widespread assumption in the field and paving the way for more transparent and reliable forensic tools.
• Abstract（参考訳）: 長年にわたり、法医学コミュニティは、生成AIのリスクを軽減するために、ディープラーニングベースの検出器をいくつか提案してきた。 近年、周波数領域のアーティファクト(特に等級スペクトルの周期ピーク)は、しばしば合成画像生成の強力な指標と考えられているため、大きな注目を集めている。 しかし、最先端の検出器は一般にブラックボックスとして使われており、これらのピークに依存しているかどうかはまだ不明である。 これにより、解釈可能性と信頼が制限される。 本研究では,この問題に対処するための系統的研究を行う。 本稿では、画像からスペクトルピークを除去し、この操作が複数の検出器に与える影響を分析する戦略を提案する。 さらに,周波数ピークのみに依存する単純な線形検出器を導入し,深層学習の影響を受けずに完全に解釈可能なベースラインを提供する。 以上の結果から,ほとんどの検出器はスペクトルピークに依存していないことが判明した。

関連論文リスト

• Foundation Visual Encoders Are Secretly Few-Shot Anomaly Detectors [58.75916798814376]
  FoundADと呼ばれる数発の異常検出装置を開発した。 画像中の異常量は学習した埋め込みの差と直接相関する。 簡単な演算子は、画像中の分布外領域を特徴付け識別する異常検出の有効なツールとして機能する。
  論文  参考訳（メタデータ） (2025-10-02T11:53:20Z)
• Zero-Shot Hyperspectral Pansharpening Using Hysteresis-Based Tuning for Spectral Quality Control [5.231219025536678]
  ハイパースペクトルパンシャルペン法は、ハイパースペクトルデータ融合によって引き起こされるユニークな課題をしばしば見落としている。 単一の軽量ニューラルネットワークが使用され、各バンドにフライに適応するウェイトが使用される。 提案手法は,外部データ,フレキシブル,低複雑さを事前トレーニングすることなく,完全に教師なしである。
  論文  参考訳（メタデータ） (2025-05-22T13:24:24Z)
• Correct Estimation of Higher-Order Spectra: From Theoretical Challenges to Practical Multi-Channel Implementation in SignalSnap [0.0]
  高次スペクトルは、信号処理とデータ解析において重要な問題を解決する強力な方法を提供する。 彼らの実践的利用は、スペクトル推定における未解決の数学的問題のために制限され続けている。 非定常で時間に依存しない高次特徴を明らかにするために準ポリスペクトラを導入する。 SignalSnapはオープンソースのGPUアクセラレーションライブラリで、数分で数百ギガバイトを超えるデータセットを効率的に分析できる。
  論文  参考訳（メタデータ） (2025-05-02T12:36:30Z)
• Frequency-Aware Deepfake Detection: Improving Generalizability through Frequency Space Learning [81.98675881423131]
  この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。 既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。 本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-03-12T01:28:00Z)
• On the Frequency Bias of Generative Models [61.60834513380388]
  我々は、最先端のGANトレーニングにおいて、高周波アーティファクトに対する提案手法を解析した。 既存のアプローチでは、スペクトルアーティファクトを完全に解決できないことが分かっています。 以上の結果から,識別能力の向上に大きな可能性があることが示唆された。
  論文  参考訳（メタデータ） (2021-11-03T18:12:11Z)
• Beyond the Spectrum: Detecting Deepfakes via Re-Synthesis [69.09526348527203]
  ディープフェイク(Deepfakes)として知られる非常に現実的なメディアは、現実の目から人間の目まで区別できない。 本研究では,テスト画像を再合成し,検出のための視覚的手がかりを抽出する,新しい偽検出手法を提案する。 種々の検出シナリオにおいて,提案手法の摂動に対する有効性の向上,GANの一般化,堅牢性を示す。
  論文  参考訳（メタデータ） (2021-05-29T21:22:24Z)
• Spatial-Phase Shallow Learning: Rethinking Face Forgery Detection in Frequency Domain [88.7339322596758]
  本論文では,空間画像と位相スペクトルを組み合わせ,顔の偽造のアップサンプリング成果をキャプチャするSPSL(Spatial-Phase Shallow Learning)法を提案する。 SPSLは、クロスデータセット評価における最先端性能とマルチクラス分類を実現し、単一データセット評価において同等の結果を得ることができる。
  論文  参考訳（メタデータ） (2021-03-02T16:45:08Z)
• A Review of 1D Convolutional Neural Networks toward Unknown Substance Identification in Portable Raman Spectrometer [0.0]
  ラマン分光法は、品質管理から最先端の生物医学研究まで、強力な分析ツールである。 これらは、未知の物質のフィールド分析のために、最初の応答者や法執行機関によって広く採用されている。 ラマン分光法による未知物質の検出と同定は、手元にある装置のスペクトルマッチング能力に大きく依存している。
  論文  参考訳（メタデータ） (2020-06-18T14:28:00Z)

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。