論文の概要: Who Made This? Fake Detection and Source Attribution with Diffusion Features

• arxiv url: http://arxiv.org/abs/2510.27602v1
• Date: Fri, 31 Oct 2025 16:27:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 17:52:16.164858
• Title: Who Made This? Fake Detection and Source Attribution with Diffusion Features
• Title（参考訳）: 誰がこれを作ったのか? 拡散特徴によるフェイク検出とソース属性
• Authors: Simone Bonechi, Paolo Andreini, Barbara Toniella Corradini,
• Abstract要約: FRIDA(Deepfake Detection and Source Attribution)というフレームワークを紹介した。 コンパクトなニューラルモデルは正確なソース属性を可能にする。 その結果、拡散表現は本質的にジェネレータ固有のパターンを符号化していることがわかった。
• 参考スコア（独自算出の注目度）: 0.15293427903448018
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The rapid progress of generative diffusion models has enabled the creation of synthetic images that are increasingly difficult to distinguish from real ones, raising concerns about authenticity, copyright, and misinformation. Existing supervised detectors often struggle to generalize across unseen generators, requiring extensive labeled data and frequent retraining. We introduce FRIDA (Fake-image Recognition and source Identification via Diffusion-features Analysis), a lightweight framework that leverages internal activations from a pre-trained diffusion model for deepfake detection and source generator attribution. A k-nearest-neighbor classifier applied to diffusion features achieves state-of-the-art cross-generator performance without fine-tuning, while a compact neural model enables accurate source attribution. These results show that diffusion representations inherently encode generator-specific patterns, providing a simple and interpretable foundation for synthetic image forensics.
• Abstract（参考訳）: 生成拡散モデルの急速な進歩により、実際の画像と区別することがますます困難になる合成画像の作成が可能となり、信頼性、著作権、誤情報への懸念が高まった。 既存の監視検出器は、しばしば目に見えない発電機をまたいで一般化するのに苦労し、広範囲のラベル付きデータと頻繁な再訓練を必要とする。 本稿では,FRIDA(Fake-image Recognition and Source Identification via Diffusion-Features Analysis)を紹介する。 拡散特性に適用したk-nearest-neighbor分類器は、微調整をせずに最先端のクロスジェネレータ性能を達成する一方、コンパクトニューラルネットワークは正確なソース属性を実現する。 これらの結果から、拡散表現は本質的にジェネレータ固有のパターンを符号化し、合成画像鑑定のための単純かつ解釈可能な基礎を提供することが明らかとなった。

関連論文リスト

• $\bf{D^3}$QE: Learning Discrete Distribution Discrepancy-aware Quantization Error for Autoregressive-Generated Image Detection [85.9202830503973]
  視覚的自己回帰(AR)モデルは、離散トークン予測を通じて画像を生成する。 本稿では,離散分布離散性を考慮した量子化誤差(D$3$QE)を自己回帰画像検出に活用することを提案する。
  論文  参考訳（メタデータ） (2025-10-07T13:02:27Z)
• LATTE: Latent Trajectory Embedding for Diffusion-Generated Image Detection [13.576997219135992]
  LATent Trajectory Embeddingは、複数の認知ステップにまたがる遅延埋め込みの進化をモデル化する新しいアプローチである。 GenImage、Chameleon、Diffusion Forensicsといったいくつかのベンチマークの実験は、LATTEが優れたパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2025-07-03T12:53:47Z)
• DiffusionFake: Enhancing Generalization in Deepfake Detection via Guided Stable Diffusion [94.46904504076124]
  ディープフェイク技術は、顔交換を極めて現実的にし、偽造された顔コンテンツの使用に対する懸念を高めている。 既存の方法は、顔操作の多様な性質のため、目に見えない領域に一般化するのに苦労することが多い。 顔偽造者の生成過程を逆転させて検出モデルの一般化を促進する新しいフレームワークであるDiffusionFakeを紹介する。
  論文  参考訳（メタデータ） (2024-10-06T06:22:43Z)
• StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
  StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。 ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
  論文  参考訳（メタデータ） (2024-08-11T01:22:29Z)
• Rethinking the Up-Sampling Operations in CNN-based Generative Network for Generalizable Deepfake Detection [86.97062579515833]
  我々は、アップサンプリング操作から生じる一般化された構造的アーティファクトをキャプチャし、特徴付ける手段として、NPR(Neighboring Pixel Relationships)の概念を紹介した。 tft28の異なる生成モデルによって生成されたサンプルを含む、オープンワールドデータセット上で包括的な分析を行う。 この分析は、新しい最先端のパフォーマンスを確立し、既存の手法よりも優れたtft11.6%の向上を示している。
  論文  参考訳（メタデータ） (2023-12-16T14:27:06Z)
• Diffusion Noise Feature: Accurate and Fast Generated Image Detection [23.923353960316618]
  拡散雑音特徴(DNF)という新しい表現を提案する。 DNFは、人工的生成の指紋として機能する微妙で高周波のアーティファクトを増幅する。 提案手法は, 生成画像の検出において, 顕著な精度, 堅牢性, 一般化を実現する。
  論文  参考訳（メタデータ） (2023-12-05T10:01:11Z)
• DIRE for Diffusion-Generated Image Detection [128.95822613047298]
  拡散再構成誤り(DIRE)という新しい表現を提案する。 DIREは、予め訓練された拡散モデルにより、入力画像とその再構成画像間の誤差を測定する。 DIREは生成されたイメージと実際のイメージを区別するためのブリッジとして機能する、というヒントを提供する。
  論文  参考訳（メタデータ） (2023-03-16T13:15:03Z)

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。