論文の概要: UniAIDet: A Unified and Universal Benchmark for AI-Generated Image Content Detection and Localization
- arxiv url: http://arxiv.org/abs/2510.23023v1
- Date: Mon, 27 Oct 2025 05:37:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-28 15:28:15.462572
- Title: UniAIDet: A Unified and Universal Benchmark for AI-Generated Image Content Detection and Localization
- Title（参考訳）: UniAIDet:AI生成画像コンテンツ検出とローカライゼーションのための統一的で普遍的なベンチマーク
- Authors: Huixuan Zhang, Xiaojun Wan,
- Abstract要約: 写真画像と芸術画像の両方を含む統一的で総合的なベンチマークであるUniAIDetを紹介する。
UniAIDetは、テキスト・ツー・イメージ、イメージ・ツー・イメージ、画像のインペイント、画像編集、ディープフェイクモデルなど、幅広い生成モデルをカバーする。
- 参考スコア（独自算出の注目度）: 39.51629719911405
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: With the rapid proliferation of image generative models, the authenticity of digital images has become a significant concern. While existing studies have proposed various methods for detecting AI-generated content, current benchmarks are limited in their coverage of diverse generative models and image categories, often overlooking end-to-end image editing and artistic images. To address these limitations, we introduce UniAIDet, a unified and comprehensive benchmark that includes both photographic and artistic images. UniAIDet covers a wide range of generative models, including text-to-image, image-to-image, image inpainting, image editing, and deepfake models. Using UniAIDet, we conduct a comprehensive evaluation of various detection methods and answer three key research questions regarding generalization capability and the relation between detection and localization. Our benchmark and analysis provide a robust foundation for future research.
- Abstract（参考訳）: 画像生成モデルの急速な普及に伴い、デジタル画像の信頼性が重要な関心事となっている。
既存の研究では、AI生成コンテンツを検出する様々な方法が提案されているが、現在のベンチマークでは、様々な生成モデルや画像カテゴリのカバレッジが制限されている。
これらの制限に対処するため、写真画像と芸術画像の両方を含む統一的で包括的なベンチマークであるUniAIDetを紹介した。
UniAIDetは、テキスト・ツー・イメージ、イメージ・ツー・イメージ、画像のインペイント、画像編集、ディープフェイクモデルなど、幅広い生成モデルをカバーする。
UniAIDetを用いて、様々な検出手法の総合的な評価を行い、一般化能力と検出と局所化の関係に関する3つの重要な研究課題に答える。
私たちのベンチマークと分析は、将来の研究の堅牢な基盤を提供する。
関連論文リスト
- UniShield: An Adaptive Multi-Agent Framework for Unified Forgery Image Detection and Localization [20.95924601497973]
UniShieldは、さまざまな領域にまたがる画像偽造を検知し、ローカライズできる、新しい統一システムである。
我々はUniShieldが、既存の統一アプローチとドメイン固有検出器の両方を超越して、最先端の結果を達成することを示す。
論文 参考訳（メタデータ） (2025-10-03T16:33:05Z) - 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) - Text-Visual Semantic Constrained AI-Generated Image Quality Assessment [47.575342788480505]
本稿では,AI生成画像におけるテキスト画像の一貫性と知覚歪みの両方を包括的に評価する統合フレームワークを提案する。
このアプローチでは、複数のモデルから重要な機能を統合し、2つのコアモジュールを導入することで、上記の課題に取り組む。
複数のベンチマークデータセットで実施されたテストは、SC-AGIQAが既存の最先端メソッドより優れていることを示している。
論文 参考訳（メタデータ） (2025-07-14T16:21:05Z) - M3-AGIQA: Multimodal, Multi-Round, Multi-Aspect AI-Generated Image Quality Assessment [65.3860007085689]
M3-AGIQAは、AI生成画像のより人間らしく総合的な評価を可能にする包括的なフレームワークである。
モデル出力を人間の判断とより密接に整合させることで、M3-AGIQAは堅牢で解釈可能な品質スコアを提供する。
論文 参考訳（メタデータ） (2025-02-21T03:05:45Z) - SIDA: Social Media Image Deepfake Detection, Localization and Explanation with Large Multimodal Model [48.547599530927926]
ソーシャルメディア上で共有される合成画像は、広範囲の聴衆を誤解させ、デジタルコンテンツに対する信頼を損なう可能性がある。
ソーシャルメディア画像検出データセット(SID-Set)を紹介する。
本稿では,SIDA という画像深度検出,局所化,説明の枠組みを提案する。
論文 参考訳（メタデータ） (2024-12-05T16:12:25Z) - A Survey on All-in-One Image Restoration: Taxonomy, Evaluation and Future Trends [67.43992456058541]
画像復元(IR)は、ノイズ、ぼかし、圧縮、悪天候など幅広い要因によって生じる劣化した観察から高品質な画像の復元を目指している。
従来のIR法は、個々の劣化タイプを対象とすることで顕著な進歩を遂げてきたが、それらの特殊化は、しばしば一般化のコストがかかる。
オールインワンのイメージ復元パラダイムが最近登場し、複数の劣化タイプに順応的に対処する統一されたフレームワークを提供している。
論文 参考訳（メタデータ） (2024-10-19T11:11:09Z) - KITTEN: A Knowledge-Intensive Evaluation of Image Generation on Visual Entities [93.74881034001312]
KITTENはKnowledge-InTensiveイメージジェネラティオンのベンチマークである。
我々は最新のテキスト・画像モデルと検索強化モデルについて体系的な研究を行う。
分析によると、高度なテキスト・ツー・イメージモデルでさえ、エンティティの正確な視覚的詳細を生成できない。
論文 参考訳（メタデータ） (2024-10-15T17:50:37Z)
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。