論文の概要: Provenance of AI-Generated Images: A Vector Similarity and Blockchain-based Approach

• arxiv url: http://arxiv.org/abs/2510.17854v1
• Date: Wed, 15 Oct 2025 00:49:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:12.218402
• Title: Provenance of AI-Generated Images: A Vector Similarity and Blockchain-based Approach
• Title（参考訳）: AI生成画像の出現:ベクトル類似性とブロックチェーンに基づくアプローチ
• Authors: Jitendra Sharma, Arthur Carvalho, Suman Bhunia,
• Abstract要約: 本稿では,AI生成画像と実(人間による)画像とを識別する組込み型AI画像検出フレームワークを提案する。 提案手法は,AI生成画像が他のAI生成コンテンツに近接していることを示す仮説に基づいている。 以上の結果から,中程度の摂動と高摂動が埋め込みシグネチャに最小限に影響を及ぼすことが確認された。
• 参考スコア（独自算出の注目度）: 3.632189127068905
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rapid advancement in generative AI and large language models (LLMs) has enabled the generation of highly realistic and contextually relevant digital content. LLMs such as ChatGPT with DALL-E integration and Stable Diffusion techniques can produce images that are often indistinguishable from those created by humans, which poses challenges for digital content authentication. Verifying the integrity and origin of digital data to ensure it remains unaltered and genuine is crucial to maintaining trust and legality in digital media. In this paper, we propose an embedding-based AI image detection framework that utilizes image embeddings and a vector similarity to distinguish AI-generated images from real (human-created) ones. Our methodology is built on the hypothesis that AI-generated images demonstrate closer embedding proximity to other AI-generated content, while human-created images cluster similarly within their domain. To validate this hypothesis, we developed a system that processes a diverse dataset of AI and human-generated images through five benchmark embedding models. Extensive experimentation demonstrates the robustness of our approach, and our results confirm that moderate to high perturbations minimally impact the embedding signatures, with perturbed images maintaining close similarity matches to their original versions. Our solution provides a generalizable framework for AI-generated image detection that balances accuracy with computational efficiency.
• Abstract（参考訳）: 生成型AIと大規模言語モデル(LLM)の急速な進歩により、高度に現実的でコンテキストに関連のあるデジタルコンテンツの生成が可能になった。 ChatGPTやDALL-E統合、安定拡散技術といったLLMは、人間が作成したものと区別できない画像を生成することができるため、デジタルコンテンツ認証の課題が生じる。 デジタルデータの完全性と起源の検証は、デジタルメディアにおける信頼性と合法性を維持するために不可欠である。 本稿では,画像埋め込みとベクトル類似性を利用した埋め込み型AI画像検出フレームワークを提案する。 我々の手法は、AI生成画像が他のAI生成コンテンツに近づき、人間生成画像はドメイン内でも同様にクラスタ化されているという仮説に基づいて構築されている。 この仮説を検証するために,5つのベンチマーク埋め込みモデルを用いて,AIと人為的画像の多様なデータセットを処理するシステムを開発した。 広汎な実験により,我々のアプローチの頑健さが実証され,本研究の結果から,中程度から高い摂動が埋め込みシグネチャに最小限に影響を及ぼすことが確認された。 我々のソリューションは、精度と計算効率のバランスをとるAI生成画像検出のための一般化可能なフレームワークを提供する。

関連論文リスト

• Bridging the Gap Between Ideal and Real-world Evaluation: Benchmarking AI-Generated Image Detection in Challenging Scenarios [54.07895223545793]
  本稿では,実世界ロバストネスデータセット(RRDataset)を導入し,3次元にわたる検出モデルの包括的評価を行う。 RRDatasetには7つの主要なシナリオの高品質なイメージが含まれている。 我々はRRDataset上で17の検出器と10の視覚言語モデル(VLM)をベンチマークし、大規模な人間実験を行った。
  論文  参考訳（メタデータ） (2025-09-11T06:15:52Z)
• 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)
• DejAIvu: Identifying and Explaining AI Art on the Web in Real-Time with Saliency Maps [0.0]
  DejAIvuは、リアルタイムAI生成画像検出と唾液度に基づく説明性を組み合わせたChrome Webエクステンションである。 当社のアプローチでは、効率的なブラウザ内推論、勾配に基づく唾液度分析、シームレスなユーザエクスペリエンスを統合し、AI検出が透過的かつ解釈可能であることを保証しています。
  論文  参考訳（メタデータ） (2025-02-12T22:24:49Z)
• D-Judge: How Far Are We? Assessing the Discrepancies Between AI-synthesized and Natural Images through Multimodal Guidance [19.760989919485894]
  5000の自然画像と440,000以上のAIGIサンプルからなる大規模マルチモーダルデータセットD-ANIを構築した。 次に、AI生成画像(AIGI)が真に現実的なイメージからどこまで遠いのかという、重要な問題に対処するために、AI-Natural Image Discrepancy評価ベンチマーク(D-Judge)を導入します。
  論文  参考訳（メタデータ） (2024-12-23T15:08:08Z)
• Detecting Discrepancies Between AI-Generated and Natural Images Using Uncertainty [91.64626435585643]
  本稿では,誤用と関連するリスクを軽減するために,予測不確実性を利用してAI生成画像を検出する新しい手法を提案する。 この動機は、自然画像とAI生成画像の分布差に関する基本的な仮定から生じる。 本稿では,AI生成画像の検出スコアとして,大規模事前学習モデルを用いて不確実性を計算することを提案する。
  論文  参考訳（メタデータ） (2024-12-08T11:32:25Z)
• Zero-Shot Detection of AI-Generated Images [54.01282123570917]
  AI生成画像を検出するゼロショットエントロピー検出器(ZED)を提案する。 機械によるテキスト検出の最近の研究に触発された私たちのアイデアは、分析対象の画像が実際の画像のモデルと比較してどれだけ驚くかを測定することである。 ZEDは精度の点でSoTAよりも平均3%以上改善されている。
  論文  参考訳（メタデータ） (2024-09-24T08:46:13Z)
• 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)

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。