論文の概要: LOTA: Bit-Planes Guided AI-Generated Image Detection

• arxiv url: http://arxiv.org/abs/2510.14230v1
• Date: Thu, 16 Oct 2025 02:12:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.678393
• Title: LOTA: Bit-Planes Guided AI-Generated Image Detection
• Title（参考訳）: LOTA:bit-PlanesガイドによるAI生成画像検出
• Authors: Hongsong Wang, Renxi Cheng, Yang Zhang, Chaolei Han, Jie Gui,
• Abstract要約: GANとDiffusionのモデルでは、AI生成画像と実際の画像との区別がより困難になる。 ノイズの多い画像生成を誘導する有効なビットプレーンを導入し、様々な画像正規化戦略を活用する。 本手法は, GAN から Diffusion への98.2% 以上, Diffusion から GAN への99.2% 以上の精度を実現する。
• 参考スコア（独自算出の注目度）: 25.736743931612565
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid advancement of GAN and Diffusion models makes it more difficult to distinguish AI-generated images from real ones. Recent studies often use image-based reconstruction errors as an important feature for determining whether an image is AI-generated. However, these approaches typically incur high computational costs and also fail to capture intrinsic noisy features present in the raw images. To solve these problems, we innovatively refine error extraction by using bit-plane-based image processing, as lower bit planes indeed represent noise patterns in images. We introduce an effective bit-planes guided noisy image generation and exploit various image normalization strategies, including scaling and thresholding. Then, to amplify the noise signal for easier AI-generated image detection, we design a maximum gradient patch selection that applies multi-directional gradients to compute the noise score and selects the region with the highest score. Finally, we propose a lightweight and effective classification head and explore two different structures: noise-based classifier and noise-guided classifier. Extensive experiments on the GenImage benchmark demonstrate the outstanding performance of our method, which achieves an average accuracy of \textbf{98.9\%} (\textbf{11.9}\%~$\uparrow$) and shows excellent cross-generator generalization capability. Particularly, our method achieves an accuracy of over 98.2\% from GAN to Diffusion and over 99.2\% from Diffusion to GAN. Moreover, it performs error extraction at the millisecond level, nearly a hundred times faster than existing methods. The code is at https://github.com/hongsong-wang/LOTA.
• Abstract（参考訳）: GANと拡散モデルの急速な進歩により、AI生成画像と実際の画像との区別がより困難になる。 近年の研究では、画像がAI生成されているかどうかを判断する重要な特徴として、画像ベースの再構成エラーを用いることが多い。 しかし、これらの手法は一般的に高い計算コストを伴い、原画像に存在する本質的なノイズの特徴を捉えることができない。 これらの問題を解決するために,ビット平面に基づく画像処理を用いて誤り抽出を革新的に洗練し,低ビット平面は画像のノイズパターンを実際に表現する。 ノイズの多い画像生成を誘導する有効なビットプレーンを導入し,スケーリングやしきい値設定など,さまざまな画像正規化戦略を活用する。 そして,AIによる画像検出を容易にするため,雑音信号の増幅を行うため,ノイズスコアの計算に多方向勾配を適用した最大勾配パッチ選択を設計し,最も高いスコアの領域を選択する。 最後に、軽量で効果的な分類ヘッドを提案し、ノイズベース分類器とノイズ誘導分類器の2つの異なる構造を探索する。 GenImage ベンチマークの大規模な実験により,提案手法の優れた性能を示し,その精度は \textbf{98.9\%} (\textbf{11.9}\%~$\uparrow$) であり,優れたクロスジェネレータ一般化能力を示す。 特に,本手法は, GAN から Diffusion への98.2\% および Diffusion から GAN への99.2\% 以上の精度を実現する。 さらに、既存の手法の100倍近く高速なミリ秒レベルでエラー抽出を行う。 コードはhttps://github.com/hongsong-wang/LOTAにある。

関連論文リスト

• Efficient and Robust Remote Sensing Image Denoising Using Randomized Approximation of Geodesics' Gramian on the Manifold Underlying the Patch Space [2.56711111236449]
  トレーニングサンプルの追加を必要としない頑健なリモートセンシング画像復調手法を提案する。 この手法は、各色チャネルに独自の強調を課し、3つの分極チャネルをマージして最終画像を生成する。
  論文  参考訳（メタデータ） (2025-04-15T02:46:05Z)
• Fast constrained sampling in pre-trained diffusion models [80.99262780028015]
  任意の制約下で高速で高品質な生成を可能にするアルゴリズムを提案する。 我々の手法は、最先端のトレーニングフリー推論手法に匹敵するか、超越した結果をもたらす。
  論文  参考訳（メタデータ） (2024-10-24T14:52:38Z)
• A Sanity Check for AI-generated Image Detection [49.08585395873425]
  我々はAI生成画像を検出するAI生成画像検出装置(AI生成画像検出装置)を提案する。 AIDEは最先端の手法を+3.5%、+4.6%改善した。
  論文  参考訳（メタデータ） (2024-06-27T17:59:49Z)
• RIGID: A Training-free and Model-Agnostic Framework for Robust AI-Generated Image Detection [60.960988614701414]
  RIGIDは、堅牢なAI生成画像検出のためのトレーニング不要でモデルに依存しない方法である。 RIGIDは、既存のトレーニングベースおよびトレーニング不要な検出器を著しく上回っている。
  論文  参考訳（メタデータ） (2024-05-30T14:49:54Z)
• Patch-wise Features for Blur Image Classification [3.762360672951513]
  本手法により, ぼかしとシャープな画像劣化の区別が可能となる。 オープンデータセットで行った実験では、提案した低計算手法が検証セットの平均精度を90.1%向上することが示された。 提案手法はCPU上のVGG16ベースモデルよりも10倍高速で、入力画像サイズに線形にスケールし、低計算エッジデバイスに実装するのに適している。
  論文  参考訳（メタデータ） (2023-04-06T15:39:11Z)
• Unsupervised Single Image Super-resolution Under Complex Noise [60.566471567837574]
  本稿では,一般のSISRタスクを未知の劣化で扱うためのモデルベースunsupervised SISR法を提案する。 提案手法は, より小さなモデル (0.34M vs. 2.40M) だけでなく, より高速な技術 (SotA) 法 (約1dB PSNR) の現況を明らかに超えることができる。
  論文  参考訳（メタデータ） (2021-07-02T11:55:40Z)

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。