論文の概要: Revisiting Reconstruction-based AI-generated Image Detection: A Geometric Perspective

• arxiv url: http://arxiv.org/abs/2510.25141v1
• Date: Wed, 29 Oct 2025 03:45:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:45.003719
• Title: Revisiting Reconstruction-based AI-generated Image Detection: A Geometric Perspective
• Title（参考訳）: 再構成に基づくAI生成画像検出の再検討:幾何学的視点
• Authors: Wan Jiang, Jing Yan, Ruixuan Zhang, Xiaojing Chen, Changtao Miao, Zhe Li, Chenhao Lin, Yunfeng Diao, Richang Hong,
• Abstract要約: 幾何学的観点からの再構成誤差に対するヤコビアンスペクトル下界の導入について述べる。 再構成多様体上の実画像は非自明な誤差下界を示し、多様体上の生成された画像はゼロに近い誤差を持つことを示す。 本稿では,構造化編集操作を活用することで動的再構成誤差を計算できるReGapを提案する。
• 参考スコア（独自算出の注目度）: 50.83711509908479
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The rise of generative Artificial Intelligence (AI) has made detecting AI-generated images a critical challenge for ensuring authenticity. Existing reconstruction-based methods lack theoretical foundations and on empirical heuristics, limiting interpretability and reliability. In this paper, we introduce the Jacobian-Spectral Lower Bound for reconstruction error from a geometric perspective, showing that real images off the reconstruction manifold exhibit a non-trivial error lower bound, while generated images on the manifold have near-zero error. Furthermore, we reveal the limitations of existing methods that rely on static reconstruction error from a single pass. These methods often fail when some real images exhibit lower error than generated ones. This counterintuitive behavior reduces detection accuracy and requires data-specific threshold tuning, limiting their applicability in real-world scenarios. To address these challenges, we propose ReGap, a training-free method that computes dynamic reconstruction error by leveraging structured editing operations to introduce controlled perturbations. This enables measuring error changes before and after editing, improving detection accuracy by enhancing error separation. Experimental results show that our method outperforms existing baselines, exhibits robustness to common post-processing operations and generalizes effectively across diverse conditions.
• Abstract（参考訳）: 生成人工知能(AI)の台頭により、AI生成画像の検出は信頼性を確保する上で重要な課題となっている。 既存の再構築に基づく手法には理論的基礎や経験的ヒューリスティックが欠如しており、解釈可能性や信頼性が制限されている。 本稿では, ヤコビアンスペクトル下界を幾何学的視点から解析し, 再構成多様体上の実画像は非自明な誤差下界を示し, 生成した画像はゼロに近い誤差を持つことを示す。 さらに,単一パスからの静的復元誤差に依存する既存手法の限界を明らかにする。 これらの方法は、実際の画像が生成されたものよりもエラーが少ない場合にしばしば失敗する。 この直感的な振る舞いは検出精度を低下させ、データ固有のしきい値チューニングを必要とし、現実のシナリオにおける適用性を制限する。 これらの課題に対処するために、構造化編集操作を活用して動的再構成誤りを計算し、制御された摂動を導入するトレーニングフリーのReGapを提案する。 これにより、編集前後のエラー変化を計測でき、エラー分離を強化して検出精度を向上させることができる。 実験結果から,本手法は既存のベースラインよりも優れており,一般的な後処理操作に対する堅牢性を示し,多様な条件で効果的に一般化できることがわかった。

関連論文リスト

• Circular Image Deturbulence using Quasi-conformal Geometry [3.239589979987861]
  本稿では、画像歪みを取り除くための教師なしアプローチであるCQCD(Circular Quasi-Conformal Deturbulence)フレームワークを紹介する。 この設計により、復元された画像が幾何的に正確かつ視覚的に忠実でありながら、誤推定の蓄積を防止できる。 実験結果から,CQCDは画像復元品質の点で既存の現状の乱流法より優れるだけでなく,高精度な変形場推定も可能であることが示された。
  論文  参考訳（メタデータ） (2025-04-18T03:07:25Z)
• Limited-angle x-ray nano-tomography with machine-learning enabled iterative reconstruction engine [0.820550741199358]
  本稿ではパーセプション融合反復トモグラフィ再構成エンジンという手法を提案する。 畳み込みニューラルネットワーク(CNN)と、スマートレギュレータとしての認識知識を、反復的な問題解決エンジンに統合する。 異なるX線顕微鏡技術を用いて得られた様々な実験データセットを用いて,提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2025-03-25T01:14:16Z)
• Uniform Attention Maps: Boosting Image Fidelity in Reconstruction and Editing [66.48853049746123]
  構造的視点から再構築を解析し、従来の横断的注意を一様注意マップに置き換える新しいアプローチを提案する。 本手法は,ノイズ予測時のテキスト条件の変化による歪みを効果的に抑制する。 実験結果から,本手法は高忠実度画像再構成に優れるだけでなく,実際の画像合成や編集のシナリオにも頑健に機能することが示された。
  論文  参考訳（メタデータ） (2024-11-29T12:11:28Z)
• Orthogonal Subspace Decomposition for Generalizable AI-Generated Image Detection [58.87142367781417]
  航法的に訓練された検出器は、限定的で単調な偽のパターンに過度に適合する傾向にあり、特徴空間は高度に制約され、低ランクになる。 潜在的な治療法の1つは、ビジョンファウンデーションモデルに事前訓練された知識を取り入れて、機能領域を広げることである。 主要なコンポーネントを凍結し、残ったコンポーネントのみを適用することで、フェイクパターンを学習しながら、トレーニング済みの知識を保存します。
  論文  参考訳（メタデータ） (2024-11-23T19:10:32Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Toward Real-world Image Super-resolution via Hardware-based Adaptive Degradation Models [3.9037347042028254]
  ほとんどの単一画像超解像法は、合成低分解能(LR)と高分解能(HR)画像対上で開発されている。 ハードウェアの知識を取り入れた未知の劣化過程をシミュレートする新しい教師付き手法を提案する。 実世界のデータセットを用いた実験により,我々の劣化モデルが所定の劣化操作よりも精度良くLR画像を推定できることが確認された。
  論文  参考訳（メタデータ） (2021-10-20T19:53:48Z)
• Improved anomaly detection by training an autoencoder with skip connections on images corrupted with Stain-shaped noise [25.85927871251385]
  異常検出は 復元の残留か もしくは 復元の不確実性に依存する 我々は,再設計のシャープさを改善するために,スキップ接続を備えたオートエンコーダアーキテクチャを検討する。 このモデルでは、実際の欠陥の有無にかかわらず、任意の実世界の画像からクリーンなイメージを復元することが好ましいことを示す。
  論文  参考訳（メタデータ） (2020-08-29T13:50:49Z)

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。