論文の概要: Enhancing Frequency Forgery Clues for Diffusion-Generated Image Detection

• arxiv url: http://arxiv.org/abs/2511.00429v1
• Date: Sat, 01 Nov 2025 06:58:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.773854
• Title: Enhancing Frequency Forgery Clues for Diffusion-Generated Image Detection
• Title（参考訳）: 拡散生成画像検出のための周波数フォージェリー曲線の強化
• Authors: Daichi Zhang, Tong Zhang, Shiming Ge, Sabine Süsstrunk,
• Abstract要約: 拡散モデルは画像合成において顕著な成功を収めてきたが、生成した高品質な画像は潜在的に悪意のある使用に対する懸念を引き起こす。 既存の検出器は、様々なモデルや設定にまたがる差別的手がかりをつかむのに苦労することが多い。 周波数フォージェy Clue (F2C) を全周波数帯域で拡張することにより, 単純かつ効果的な表現を提案する。
• 参考スコア（独自算出の注目度）: 46.59140701145731
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models have achieved remarkable success in image synthesis, but the generated high-quality images raise concerns about potential malicious use. Existing detectors often struggle to capture discriminative clues across different models and settings, limiting their generalization to unseen diffusion models and robustness to various perturbations. To address this issue, we observe that diffusion-generated images exhibit progressively larger differences from natural real images across low- to high-frequency bands. Based on this insight, we propose a simple yet effective representation by enhancing the Frequency Forgery Clue (F^2C) across all frequency bands. Specifically, we introduce a frequency-selective function which serves as a weighted filter to the Fourier spectrum, suppressing less discriminative bands while enhancing more informative ones. This approach, grounded in a comprehensive analysis of frequency-based differences between natural real and diffusion-generated images, enables general detection of images from unseen diffusion models and provides robust resilience to various perturbations. Extensive experiments on various diffusion-generated image datasets demonstrate that our method outperforms state-of-the-art detectors with superior generalization and robustness.
• Abstract（参考訳）: 拡散モデルは画像合成において顕著な成功を収めているが、生成した高品質な画像は潜在的に悪意のある使用に対する懸念を引き起こす。 既存の検出器は、様々なモデルや設定にまたがる差別的手がかりを捉えるのに苦労し、その一般化を目に見えない拡散モデルと様々な摂動に限定する。 この問題に対処するために、拡散生成画像は、低周波帯と高周波帯にまたがる自然な実像との相違が徐々に大きいことが観察された。 この知見に基づいて、全周波数帯域にわたってF^2C( Frequency Forgery Clue)を拡張することで、単純かつ効果的な表現を提案する。 具体的には、フーリエスペクトルの重み付きフィルタとして機能する周波数選択関数を導入し、識別帯域の減少を抑えつつ、より情報性の高いフィルタを強化する。 このアプローチは、自然界と拡散生成画像の周波数に基づく相違の包括的解析に基づいており、目に見えない拡散モデルから画像の一般的な検出を可能にし、様々な摂動に対して堅牢なレジリエンスを提供する。 様々な拡散生成画像データセットに対する広範囲な実験により,本手法はより優れた一般化とロバスト性を有する最先端検出器よりも優れた性能を示した。

関連論文リスト

• Explainable Synthetic Image Detection through Diffusion Timestep Ensembling [30.298198387824275]
  本稿では,複数の雑音の時間ステップでアンサンブルを訓練することにより,中間雑音画像の特徴を直接活用する合成画像検出手法を提案する。 人間の理解を深めるために,メートル法に基づく説明文生成と改良モジュールを導入する。 本手法は, 正解率98.91%, 正解率95.89%, 正解率95.89%, 正解率98.91%, 正解率95.89%である。
  論文  参考訳（メタデータ） (2025-03-08T13:04:20Z)
• FIRE: Robust Detection of Diffusion-Generated Images via Frequency-Guided Reconstruction Error [16.185085063881772]
  拡散モデルは実画像中帯域周波数情報を正確に再構成するのに苦労する。 火災誘導型リコンストラクションエラーは、まず、周波数分解がリコンストラクション誤差に与える影響を調査する。 実験により、FIREは目に見えない拡散モデルに効果的に一般化し、多様な摂動に対する堅牢性を維持することが示された。
  論文  参考訳（メタデータ） (2024-12-10T03:02:34Z)
• 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)
• Diffusion Facial Forgery Detection [56.69763252655695]
  本稿では,顔に焦点をあてた拡散生成画像を対象とした包括的データセットであるDiFFを紹介する。 人体実験といくつかの代表的な偽造検出手法を用いて,DiFFデータセットの広範な実験を行った。 その結果、人間の観察者と自動検出者の2値検出精度は30%以下であることが判明した。
  論文  参考訳（メタデータ） (2024-01-29T03:20:19Z)
• Denoising Diffusion Models for Plug-and-Play Image Restoration [135.6359475784627]
  本稿では,従来のプラグアンドプレイ方式を拡散サンプリングフレームワークに統合したDiffPIRを提案する。 DiffPIRは、差別的なガウスのデノイザーに依存するプラグアンドプレイIR法と比較して、拡散モデルの生成能力を継承することが期待されている。
  論文  参考訳（メタデータ） (2023-05-15T20:24:38Z)
• Your Diffusion Model is Secretly a Zero-Shot Classifier [90.40799216880342]
  大規模テキスト・画像拡散モデルからの密度推定をゼロショット分類に活用できることを示す。 分類に対する我々の生成的アプローチは、様々なベンチマークで強い結果が得られる。 我々の結果は、下流タスクにおける差別的モデルよりも生成的な利用に向けての一歩である。
  論文  参考訳（メタデータ） (2023-03-28T17:59:56Z)

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。